基于评分区域子空间的协同过滤推荐算法

doi:10.11896/jsjkx.210600062

计算机科学››2022,第49卷››问题（7）: 50-56.数字对象标识：10.11896/jsjkx.210600062

• 数据库&大数据&数据科学^*• 上一篇下一篇

精彩纷呈

孙晓寒, 张莉

苏州大学计算机科学与技术学院江苏苏州215006

收稿日期:2021-06-04 修回日期:2021-10-19 出版日期:2022-07-15 发布日期:2022-07-12年
通讯作者:张莉(zhangill@suda.edu.cn)
作者简介:(20195227090@stu.suda.edu.cn)
收益：
江苏省高校自然科学研究项目（19KJA550002）；江苏省六大人才高峰项目（XYDXX-054）；江苏高校优势学科建设工程资助项目

基于评级区域子空间的协同过滤推荐算法

孙晓翰、张丽

苏州大学计算机科学与技术学院，江苏省苏州市，邮编215006

收到：2021-06-04 修订过的：2021-10-19 在线：2022-07-15 出版：2022-07-12年
关于作者：孙晓翰，1997年生，研究生。她的主要研究兴趣包括机器学习和推荐系统。
张莉，1975年生，博士，教授，博士生导师。她的主要研究兴趣包括机器学习、模式识别、神经网络和智能信息处理。
支持单位：
江苏省高等学校自然科学基金项目（19KJA550002）、江苏省六大人才高峰项目（XYDXX-054）、江苏高校重点学科建设项目。

摘要/摘要

摘要：协同过滤推荐算法因其合理的可解释性以及简单的实现过程而被广泛应用。然而,在推荐系统中数据集通常具有规模大、稀疏度和维度高等特点,这些特点给协同过滤推荐算法带来了很大的挑战。为了缓解上述问题,提出了一种基于评分区域子空间的协同过滤推荐算法。基于用户-项目评分矩阵,该算法首先将评分范围划分为3中国3个区域分别为每个用户寻找其项目子空间,即高评分子空间、中评分子空间以及低评分子空间。其次,定义了一种新的相似度计算方式,在各区域子空间中分别计算用户之间的评分支持度,只有当用户在各个子空间上的评分支持度都很高时,用户之间才是相似的。这种方式避免了惰性评分用户的评分干扰。实验结果表明,该算法能够在一定程度上解决数据稀疏性问题,特别是针对高维数据能降低其计算复杂度,并提高其推荐性能。

关键词: 高维性, 评分支持度, 稀疏性, 项目子空间, 协同过滤

摘要：协同过滤推荐算法由于其合理的可解释性和简单的过程而被广泛应用。然而，推荐系统中的数据集具有大规模、高稀疏性和高维性的特点，这给CF推荐算法带来了很大的挑战。为了缓解上述问题，本文提出了一种基于评级区域子空间（RRS）的协同过滤推荐算法。根据用户-项目评分矩阵，RRS首先将评分范围划分为三个不同的区域：高评分区域、中等评分区域和低评分区域。在这三个区域的基础上，每个用户找到自己的项目子空间，即高评分子空间、中评分子空间和低评分子空间。定义了一种新的相似性度量方法来计算用户在每个区域子空间中的评分支持度。只有当用户在所有子空间中的评级支持都很高时，用户才是相似的，从而避免了懒惰用户的快速干扰。实验结果表明，该方法在一定程度上解决了数据稀疏性问题，降低了计算复杂度，提高了推荐性能，特别是在高维数据集上。

关键词： 协同过滤，高维度，项目子空间，评级支持，稀疏度

中图分类号:

TP181型

孙晓寒, 张莉.精彩纷呈[J] ●●●●。计算机科学, 2022, 49(7): 50-56. https://doi.org/10.11896/jsjkx.210600062

孙晓翰、张丽。基于评级区域子空间的协同过滤推荐算法[J] ●●●●。计算机科学，2022，49（7）：50-56。https://doi.org/10.11896/jsjkx.210600062

参考文献

[1] BOBADILLA J，ORTEGA F，HERNANDO A，等.推荐系统调查[J]。基于知识的系统，2013，46:109-132。
[2] PATEL K，PATEL H B.关于推荐系统和预期扩展的最新调查[J]。农业中的计算机和电子，2020178:105779。
[3] STOCKLI D R，KHOBZI H。推荐系统和在线评论的融合：产品网络的类型很重要！[J] ●●●●。决策支持系统，2021142:113475。
[4] COVINGTON P，ADAMS J，SARGIN E.深度神经网络在YouTube推荐中的应用[C]//第十届推荐系统会议论文集。波士顿：ACM，2016:191-198。
[5] KRAUSE A E，NORTH A C，HERITAGE B。使用Facebook音乐收听应用程序的用途和满足感[J]。计算机在人类行为中的应用，2014,39.71-77。
[6] GARCIA I，SEBASTIA L，ONAINDIA E.论旅游个人和团体推荐系统的设计[J]。专家系统与应用，2011，38（6）：7683-7692。
[7] 沈杰，周天庆，陈磊.基于协同过滤的大数据推荐系统[J]。国际计算科学与工程杂志，2020,21（2）：219-225。
[8] ALQADAH F，REDDY C K，HU J L，等.基于双聚类邻域的top-n推荐系统协同过滤方法[J]。知识与信息系统，2015,44（2）：475-491。
[9] SU X Y，KHOSHGOFTAAR T M.协同过滤技术综述[J]。人工智能进展，20092009（421425）：1-19。
[10] ADOMAVICIUS G，TUZHILIN A.走向下一代推荐系统：最新技术和可能扩展的综述[J]。IEEE知识与数据工程汇刊，2005年，17（6）：734-749。
[11] 肖春伟，叶建清，埃斯特维斯·R M，等.利用斯皮尔曼相关系数对大数据集进行探索性数据分析[J]。并发与计算：实践与经验，2016,28（14）：3866-3878。
[12] BAG S，KUMAR S K，TIWARI M K。使用相关Jaccard相似性的高效推荐生成[J]。信息科学，2019483:53-64。
[13] GARANAYAK M，MOHANTY S N，JAGADEV A K，等.基于项目的协同过滤和K-means的推荐系统[J]。国际基于知识和智能工程系统杂志，2019,23（2）：93-101。
[14] FORSATI R，DOUSTDAR H M，SHAMSFARD M等。混合推荐系统的Afuzzy联合聚类方法[J]。国际混合智能系统杂志，2013,10（2）：71-81。
[15] BILGE A，POLAT H。基于聚类的隐私保护协同过滤方案的比较[J]。应用软计算，2013,13（5）：2478-2489。
[16] TSAI C，HUNG C.协同过滤推荐中的聚类[J]。应用软计算，2012,12（4）：1417-1425。
[17] MU J S，JING X J，HUANG H，等.衰落信道下基于子空间的多用户频谱感知方法[J]。IEEE通信快报，2018，22（4）：848-851。
[18] CHANG Y，CHEN J R，TSAI Y C.利用大项目集技术从DNA微阵列数据中挖掘子空间簇[J]。计算生物学杂志，2009,16（5）：745-768。
[19] HOULE M E，MA X G，ORIA V，等.用户特定投影子空间内的有效相似性研究[J]。信息系统，2016年，59:2-14。
[20] 阿加瓦尔·N，哈克·E，刘·H，等。研究论文《再注释系统：子空间聚类方法》[C]//第六届网络时代信息管理进展国际会议。杭州：施普林格出版社，2005:475-491。
[21]RAMEZANI M，MORADI P，AKHLAGHIAN F.一种提高稀疏数据域协同过滤准确性的模式挖掘方法[J]。物理学A：统计力学及其应用，2014408（32）：72-84。
[22]KIM Y A，AHMAD M.信任，在线社交媒体共享社区中用户的不信任和缺乏信心[J]。基于知识的系统，2013,37:438-450。
[23]HAMIDREZA K，KOUROSH K。一种新的查找邻居用户的方法，可以提高协作过滤的性能[J]。专家系统与应用，2017,83:30-39。
[24]李忠，张磊.基于混合用户相似性度量的基于邻居的协同过滤快速邻居用户搜索[J]。软计算，2021,25（7）：5323-5338。
[25]HARPER F M，KONSTAN J A.电影镜头数据集：历史与背景[J]。ACM交互智能系统汇刊，2016年5月（4）：1-19。
[26]郭国斌，张杰，约克史密斯N.推荐系统的一种新的贝叶斯相似性度量[C]//第23届国际人工智能联合会议论文集。北京：IJCAI/AAAI，2013:2619-2625。
[27]科伦·Y，贝尔·R·M，沃林斯基C.推荐系统的矩阵分解技术[J]。计算机，2009,42（8）：30-37。
[28]PATRA B K，LAUNONEN R，OLLIKAINEN V，et al.A:使用Bhattacharyya系数对稀疏数据进行协同过滤的新相似性度量[J]。基于知识的系统，2015,82:163-177。
[29]张杰，彭强，孙S，等.基于用户偏好的基于项目域特征的协同过滤推荐算法[J]。物理学A统计力学及其应用，2014396（2）：66-76。
[30]PIRASTEH P，HWANG D，JUNG J E.基于用户的协同过滤中高可扩展性的加权相似方案[J]。移动网络与应用，2015,20（4）：497-507。
[31]刘海峰，胡忠，苗阿U，等.一种新的提高协同过滤准确性的用户相似度模型[J]。基于知识的系统，2014,56:156-166。
[32]GAZDAR A，HIDRI L.基于协同过滤的推荐系统的一种新的相似性度量[J/OL]。基于知识的系统，2020188。https://www.researchgate.net/publication/335988033_A_new_Simirality_Measure_for_Collaborative_Filtering_based_Recommendar_Systems。

相关文章15

[1]	程章桃, 钟婷, 张晟铭, 周帆. 基于图学习的推荐系统研究综述基于图学习的推荐系统综述计算机科学, 2022, 49(9): 1-13.https://doi.org/10.11896/jsjkx.210900072
[2]	钟钟钟钟钟钟钟钟钟钟钟钟钟钟。基于矢量量化编码的协同过滤推荐方法基于矢量量化编码的协同过滤推荐方法计算机科学, 2022, 49(9): 48-54.https://doi.org/10.11896/jsjkx.210700109
[3]	霞、霞、霞、霞、霞、霞、霞、霞、霞、霞。 RIIM公司：基于独立模型的在线缺失值填补 RIIM：基于个体模型的实时插补计算机科学, 2022, 49(8): 56-63.https://doi.org/10.11896/jsjkx.210600180
[4]	蔡晓娟, 谭文安. 一种改进的融合相似度和信任度的协同过滤算法结合相似度和信任度的改进协同过滤算法计算机科学, 2022年，49（6A）：238-241。https://doi.org/10.11896/jsjkx.210400088
[5]	何亦琛, 毛宜军, 谢贤芬, 古万荣. 基于点割集图分割的矩阵变换与分解的推荐算法基于顶点分隔图划分的矩阵变换与因子分解推荐计算机科学, 2022年，49（6A）：272-279。https://doi.org/10.11896/jsjkx.210600159
[6]	郭亮, 杨兴耀, 于炯, 韩晨, 黄仲浩. 基于注意力机制和门控网络相结合的混合推荐系统基于注意机制和门控网络的混合推荐系统计算机科学, 2022, 49(6): 158-164.https://doi.org/10.11896/jsjkx.210500013
[7]	楠，尹娟，猛，荆。基于评论和物品描述的深度学习推荐算法基于评论和项目描述的深度学习推荐算法计算机科学, 2022, 49(3): 99-104.https://doi.org/10.11896/jsjkx.210200170
[8]	董晓梅, 王蕊, 邹欣开. 面向推荐应用的差分隐私方案综述推荐应用程序的隐私保护解决方案调查计算机科学, 2021, 48(9): 21-35.https://doi.org/10.11896/jsjkx.201100083
[9]	詹皖江, 洪植林, 方路平, 吴哲夫, 吕跃华. 棒球基于对抗学习的协同过滤推荐算法计算机科学, 2021, 48(7): 172-177.https://doi.org/10.11896/jsjkx.200600077
[10]	邵超, 宋淑米. 基于信任关系下用户兴趣偏好的协同过滤推荐算法信任关系下基于用户偏好的协同过滤推荐算法计算机科学, 2021年，48（6A）：240-245。https://doi.org/10.11896/jsjkx.200700113
[11]	武建新, 张志鸿. 融合用户评分与显隐兴趣相似度的协同过滤推荐算法基于用户评分和显式与隐式兴趣相似度的协同过滤推荐算法计算机科学, 2021, 48(5): 147-154.https://doi.org/10.11896/jsjkx.200300072
[12]	马凤飞, 蔺素珍, 刘峰, 王丽芳, 李大威. 基于语义对比生成对抗网络的高倍欠采核磁共振成像重建基于语义控制生成对抗网络的高欠采样MRI重建计算机科学, 2021, 48(4): 169-173.https://doi.org/10.11896/jsjkx.200600047
[13]	肖诗涛, 邵蓥侠, 宋卫平, 崔斌. 面向协同过滤推荐的新型混合评分函数用于协同过滤推荐的混合评分函数计算机科学, 2021, 48(3): 113-118.https://doi.org/10.11896/jsjkx.200900067
[14]	郝志峰, 廖祥财, 温雯, 蔡瑞初. 基于多上下文信息的协同过滤推荐算法基于多上下文信息的协同过滤推荐算法在这种情况下，2021, 48(3): 168-173.https://doi.org/10.11896/jsjkx.200700101
[15]	韩立锋, 陈莉. 融合用户属性与项目流行度的用户冷启动推荐模型集成用户属性和商品流行度的用户冷启动推荐模型在这种情况下，2021, 48(2): 114-120.https://doi.org/10.11896/jsjkx.200900152

韵律学

已查看

全文

摘要

引用

共享

讨论

精彩纷呈

基于评级区域子空间的协同过滤推荐算法

PDF（PC）

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

韵律学

本文评价

推荐阅读0