黃瑩　宋偉偉　鄧春玲等

摘要：在大量電影中如何快速找到自身所喜愛的影片是一個很重要的問題，特別是在觀眾沒有明確目標時，推薦系統(tǒng)則可發(fā)揮至關(guān)重要的作用。結(jié)合電影推薦系統(tǒng)的實際需求，通過闡述和分析協(xié)同過濾算法的特點和不足，提出了一種改進的協(xié)同過濾算法用于電影推薦中，改進了數(shù)據(jù)稀疏導(dǎo)致推薦系統(tǒng)正確性不高的問題，提高了系統(tǒng)的可靠性。

關(guān)鍵詞：協(xié)同過濾；數(shù)據(jù)稀疏；電影推薦系統(tǒng)

DOIDOI：10.11907/rjdk.151400

中圖分類號：TP312

文獻標識碼：A 文章編號文章編號：16727800（2015）008009202

0 引言

協(xié)同過濾算法是推薦系統(tǒng)的主要算法。本文簡單介紹了協(xié)同過濾算法，表明數(shù)據(jù)稀疏是協(xié)同過濾算法的一個主要問題，解決數(shù)據(jù)稀疏問題可以提高協(xié)同過濾算法的可靠性及準確度。針對數(shù)據(jù)稀疏問題提出了自己的見解，將前人對協(xié)同過濾算法的改進用于電影推薦系統(tǒng)中，在一定程度上解決了由數(shù)據(jù)稀疏導(dǎo)致的推薦系統(tǒng)可靠性不高的問題。

1 協(xié)同過濾算法與數(shù)據(jù)稀疏問題

協(xié)同過濾（Collaborative Filtering）主要有3種推薦算法：基于用戶（uersbased）的推薦算法和基于項目（itembased）的推薦算法[1]。協(xié)同過濾算法存在的主要問題有冷啟動問題、數(shù)據(jù)稀疏問題、實時性問題、空間擴展問題。冷啟動問題是數(shù)據(jù)稀疏問題的一個特例。本文采用基于用戶的推薦算法。

基于用戶的推薦算法是通過分析不同用戶對物品的評分，通過模型計算用戶之間的相似度，然后基于用戶的相似度進行推薦。

首先輸入用戶資料，建立用戶資料數(shù)據(jù)庫。同時通過收集用戶的歷史行為和評分行為，將這些行為轉(zhuǎn)換為用戶對物品的評分，建立用戶評分矩陣。

然后建立最近鄰集，針對目標用戶和數(shù)據(jù)庫中的所有用戶進行計算，找到相似度較高的用戶建立最近鄰集。計算用戶之間相似度的常用方法有Person相關(guān)系數(shù)（見式1）、余弦相關(guān)性系數(shù)（見式2）和修正余弦相關(guān)性系數(shù)[2]（見式3）。

最后得出推薦結(jié)果。根據(jù)建立的最近鄰集，計算評測值（見式4），根據(jù)評測值大小進行推薦。

根據(jù)上述步驟可以看出，用戶的評分決定用戶相似度。所以，用戶的評分數(shù)據(jù)稀疏會導(dǎo)致用戶相似度誤差很大，推薦系統(tǒng)的可靠性不高。解決數(shù)據(jù)稀疏問題是提高推薦系統(tǒng)可靠性的關(guān)鍵。

2 改進的協(xié)同過濾算法

數(shù)據(jù)稀疏是影響協(xié)同過濾算法的主要問題。解決數(shù)據(jù)稀疏問題的基本方法有簡單填充法、基于聚類的方法、相似度傳遞法等。對稀疏矩陣進行填充是這些方法的核心思想。本文運用一種改進的協(xié)同過濾算法改善數(shù)據(jù)稀疏問題。改進算法的思想是改進填充數(shù)據(jù)稀疏矩陣的數(shù)值，提高協(xié)同過濾算法的可靠性。首先在最近鄰集中計算目標用戶與最鄰近之間的相似度，每個最近鄰用戶都產(chǎn)生一個預(yù)測值[4]，如式（5）所示：

Rai，y=Ra+sim（i，a）（Ri，y-Ri）0 Rai，y≠0Rai，y=0（5）

其中，Rai，y表示目標用戶a的最近鄰i對項目y的預(yù)測評分，Ri，y表示用戶i對項目y的實際評分，Ra、Ri分別表示用戶a和用戶i的評分均值，sim（i，a）表示用戶a和用戶i的相似度。由此得到一個預(yù)測評分矩陣，在此基礎(chǔ)上根據(jù)式（6）得到評分矩陣。

Pa，y=∑i∈Nsim（i，a）×Rai，y∑i∈Nsim（i，a）（6）

3 實驗結(jié)果

現(xiàn)通過實驗來驗證改進策略的有效性。實驗所用數(shù)據(jù)來自Movielens數(shù)據(jù)集，實驗所得數(shù)據(jù)是改進策略的精度值，如圖1所示。圖1表明改進的協(xié)同過濾算法的精度值在0.8～1之間，比較穩(wěn)定，誤差不大。精度值的數(shù)值較高，說明該算法具有有效性。因此，實驗結(jié)果表明，改進的協(xié)同過濾算法誤差小、穩(wěn)定性高，且具有有效性。

圖1 改進的協(xié)同過濾算法的精度值

4 電影推薦系統(tǒng)模型

通過對現(xiàn)有電影推薦系統(tǒng)的觀察和研究，結(jié)合上述改進算法，本文設(shè)計提出基于協(xié)同過濾的電影推薦系統(tǒng)模型，如圖2所示。

5 結(jié)語

本文簡單介紹了協(xié)同過濾算法，通過分析協(xié)同過濾算法及其存在的數(shù)據(jù)稀疏問題，設(shè)計提出了電影推薦系統(tǒng)模型，并在電影推薦系統(tǒng)中運用了一種改進策略，改善了數(shù)據(jù)稀疏性問題，提高了電影推薦系統(tǒng)的可靠性及準確度。但是改進算法的精度還存在一定誤差，有待進一步提高。

參考文獻：

[1] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報，2009，20（2）：350362.

[2] 王洋，駱力明.一種解決協(xié)同過濾數(shù)據(jù)稀疏性問題的方法[J].首都師范大學(xué)學(xué)報：自然科學(xué)版，2012，33（4）：15.

[3] 查大元.個性化推薦系統(tǒng)的研究和實現(xiàn)[J].計算機應(yīng)用與軟件，2011，28（l）：4749.

[4] 馮克鵬.基于協(xié)同過濾的數(shù)字圖書館推薦系統(tǒng)研究[J].軟件導(dǎo)刊，2010，9（5）：1618.

[5] 吳顏，沈潔，顧天竺，等.協(xié)同過濾推薦系統(tǒng)中數(shù)據(jù)稀疏問題的解決[J].計算機應(yīng)用研究，2007，24（6）：9497.

[6] 王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應(yīng)用，2012，48（7）：6676.

[7] 鄧愛林，朱揚勇，施伯樂.基于項目評分預(yù)測的協(xié)同過濾算法推薦算法[J].軟件學(xué)報，2003，14（9）：16121628.

[8] CHRISTAKOU C，VRETTOS S，STAFYLOPATIS A.A hybrid movie recommender system based on neural networks[J].International Journal on Artificial Intelligence Tools，2007，16（5）：771792.

[9] 孫小華.協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D].杭州：浙江大學(xué)， 2005.

[10] SARWAR B，KARYPISG， KONSTAN J，et al. Itembased collaborative filtering recommendation algorithms[C].proc. of the 10th International World Wide Web Conference，2001：285295.

[11] 錢程，陽小蘭.一種電影個性化推薦系統(tǒng)的研究與實現(xiàn)[J].計算機與數(shù)字工程，2011（8）： 7376.

[12] 黃河銓，王群元.以社會網(wǎng)絡(luò)與電影本體為架構(gòu)之電影推薦系統(tǒng)[Z].2010.

[13] 蔣紫艷.基于 B/S 架構(gòu)的零售業(yè)個性化推薦系統(tǒng)分析[J].現(xiàn)代商業(yè)，2008（36）：180181.

[14] 曾春，邢春曉，周立柱.個性化推薦技術(shù)綜述[J].軟件學(xué)報，2002，13（10）：19521961.

（責(zé)任編輯：黃 健）