基于可信相似度的协同过滤算法(2)

　　3.3 实验结果 

　　对于项目类型可信度的计算，需要先确定项目的属性矩阵T。MovieLens数据集中的电影共有18种特征属性，每部电影都可以同时具有一个或者多个属性，实验中，使用这些属性构造电影的属性矩阵T。对于评分可信度的计算，我们使用式（9）根据用户项目评分矩阵R构造用户参评矩阵X。 

　　实验中，不断改变项目邻居个数K的数目，使用可信相似度来度量项目间的相似性，以传统的基于项目的协同过滤算法CF作为基准参考方法，对基于可信相似度的协同过滤算法MSCF进行了实验，验证优化效果。实验结果如图1所示。 

　　可以看出，一开始随着最近邻数目的增加，两种相似度算法的MAE值都呈现下降的趋势，并且随着近邻数量的不断增大而趋于平稳。在最近邻数量相同的时候，MSCF的实验效果好于CF的实验效果。这是因为传统相似性计算方法未考虑项目类型的相似性和共同评分用户数量对相似性计算结果的影响，导致求得的最近邻可能不符合实际，从而影响了推荐质量。而改进的基于可信相似度的算法MSCF则综合考虑了两者对相似度计算的影响，因而具有较小的平均绝对偏差MAE。 

　　实验证明，本文提出的基于可信相似度的协同过滤算法的推荐效果要优于传统的协同过滤算法。 

　　4 结束语 

　　在传统的基于项目的协同过滤算法中，项目间相似性计算的精确度是影响推荐质量的关键因素。实际应用中，数据的稀疏性对传统的协同过滤算法产生了很大的影响。同时，最近邻集合中项目的类型的不相似性也对推荐系统的推荐精度产生了消极的影响。本文针对传统相似度计算的问题，提出了一种改进的相似性度量方法，从项目类型的相似性和共同评分的用户数两个方面考虑，计算可信相似度，并将改进的算法在真实数据集上进行了实验。实验的结果表明，改进的方法有效地提高了推荐质量。 

　　参考文献： 

　　[1] Sarvar B. Karypis G， Konstan J， et al. Item-based Collaborativefiltering recommendation algorithms[C]. Proceedings of the 10th International World Wild Web Conference. New York，2001：285-295 

　　[2] 邢春晓，高凤荣，思南等.适应用户兴趣变化的协同过滤推荐算法[J].计算机研究与发展，2007.44（2）：296-301 

　　[3] 李改，李磊.基于矩阵分解的协同过滤算法[J].计算机工程与应用，2011.47（30）：4-7 

　　[4] 李荟，谢强，丁秋林.一种基于情景的协同过滤推荐算法[J].计算机技术与发展，2014.24（10）：42-46 

　　[5] 董丽，邢春晓，王克宏.协作过滤稀疏性算法[J].清华大学学报（自然科学版），2009.49（10）：154-157 

　　[6] 郭艳红，邓贵仕.协同过滤系统项目冷启动的混合推荐算法[J].计算机工程，2008.34（23）：11-13 

　　[7] 彭石，周志彬，王国军.基于评分矩阵预填充的协同过滤算法[J].计算机工程，2013.1（39）：175-178 

　　[8] GroupLens lab at the University of Minnesota. MovieLens Dataset.Available at： http：//www.grouplens.org/node/12. 

　　[9] B Jeong， J Lee， H Cho. Improving memory-based collaborativefiltering via similarity updating and prediction modulation[J].Information Sciences，2010.180（5）：602-612