传统Item-Based协同过滤推荐算法改进

合集 - 推荐系统-论文(39)

1.【读论文】-- 推荐系统研究综述2024-04-102.基于内容的电影推荐算法研究2024-04-113.基于融合语义信息改进的内容推荐算法。Improved content recommendation algorithm integrating semantic information2024-04-084.基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-075.什么是注意力机制？2024-04-076.推荐系统-协同过滤2024-04-077.基于矩阵分解的协同过滤算法2024-04-118.读论文-序列感知推荐系统(Sequence-Aware Recommender Systems)2024-04-119.读论文-新闻推荐系统：近期进展、挑战与机遇的评述(News recommender system_ a review of recent progress, challenges, and opportunities)2024-04-1110.基于自注意力机制的轻量级人体姿态估计(Lightweight Human Pose Estimation Based on Self-Attention Mechanism)2024-04-1111.基于注意力机制与改进TF-IDF的推荐算法2024-04-1112.基于正则化的图自编码器在推荐算法中的应用 Application of graph auto-encoders based on regularization in recommendation algorithms2024-04-1113.用余弦相似度修正评分的协同过滤推荐算法2024-04-1114.基于标签值分布的强化学习推荐算法(Reinforcement Learning Recommendation Algorithm Based on Label Value Distribution)2024-04-1115.读论文-一种改进的协同过滤的商品推荐方法2024-04-1116.读论文-基于用户长短期偏好的序列推荐模型2024-04-1117.读论文-顺序推荐系统_挑战、进展和前景(Sequential recommender systems_ challenges, progress and prospects)2024-04-1118.读论文-基于自监督学习的序列推荐算法2024-04-1119.读论文-基于注意力机制的对抗性协同过滤推荐算法2024-04-1120.读论文-基于序列模式的电子商务推荐系统综述(A Survey of Sequential Pattern Based E-Commerce Recommendation Systems)2024-04-1121.读论文-基于会话的推荐系统综述(A survey on session-based recommender systems)2024-04-1122.读论文-基于序列_会话的推荐_挑战，方法，应用和机遇(Sequential_Session-based Recommendations_ Challenges, Approaches, Applications and Opportunities)2024-04-1123.读论文-基于图神经网络的会话推荐方法综述2024-04-1124.读论文-基于Python的协同过滤算法的研究与应用实现2024-04-1125.读论文-基于协同过滤的个性化电影推荐系统2024-04-1126.读论文-协同过滤技术综述(A Survey of Collaborative Filtering Techniques)2024-04-1127.读论文-基于注意力机制的浅层图像隐写分析模型2024-04-1128.读论文-基于会话的推荐系统研究2024-04-1129.【论文随笔】推荐系统综述_推荐模型、推荐技术与应用领域(A Survey of Recommendation Systems_ Recommendation Models, Techniques, and Application Fields)2024-04-1130.【论文随笔】深度推荐系统的自动化_一项调查(Automl for deep recommender systems_ A survey)2024-04-1131.读论文-基于自注意力机制和迁移学习的跨领域推荐算法2024-04-1132.读论文-基于会话的推荐方法综述2024-04-1133.【论文随笔】基于会话的推荐系统构建方法调查(Survey On Methods For Building Session-Based Recommender Systems)2024-04-1134.【论文随笔】会话推荐系统综述(A Survey on Conversational Recommender Systems)2024-04-1135.【论文随笔】多行为序列Transformer推荐(Multi-Behavior Sequential Transformer Recommender)2024-04-1136.读论文-电子商务产品推荐的序列推荐系统综述与分类(A Survey and Taxonomy of Sequential Recommender Systems for E-commerce Product Recommendation)2024-04-11

37.传统Item-Based协同过滤推荐算法改进2024-04-11

38.补充：基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-1139.Top-N推荐算法 Top-N recommendation Algorithms2024-04-11

收起

前言

今天要读的论文为一篇于2009年10月15日发表在《计算机研究与发展》的一篇会议论文，论文针对只根据相似性无法找到准确可靠的最近邻这个问题，提出了结合项目近部等级与相似性求取最近邻的新方法；此外针对系统中新加入的项目，因为其上评分信息的匾乏，求得的最近邻往往是不准确的，为此，提出了聚合最近邻和”集体评分”两种改进方法。

摘要

传统Item-Based协同过滤算法根据项目之间的相似性来选取最近邻居。然而，现存的几种相似性度量方法都存在相应的弊端，因此只根据相似性无法找到准确可靠的最近邻。根据对两项目共同评分的用户个数，建立项目近邻等级，提出了结合项目近部等级与相似性求取最近邻的新方法。另外，对于系统中新加入的项目，因为其上评分信息的匾乏，求得的最近邻往往是不准确的。为此，提出了聚合最近邻和”集体评分”两种改进方法。在MovieLens数据集上的实验结果表明，将上述改进应用于传统Item-Based协同过滤推荐算法，推荐质量有明显提升。

传统的item-based协同过滤推荐算法

推荐系统中，数据的核心是一个用户一项目评分矩阵A(m,n)，它包含m个用户的集合U={u₁, u₂, ..., u_m},和n个项目的集合I={i₁, i₂, ..., i_n}，元素R_ui表示用户u对项目i的评分,若用户u未对项目i评分，则R_ui=0.

项目的相似度度量方法

首先我们定义：

• 对于任意的i∈I，定义项目一评分矩阵A(m,n)中对应于i的列为项目i的评分向量，记为U_i。
• 对于任意的u∈U，定义项目一评分矩阵A(m,n)中对应于u的 行为用户u 的评分向量，记为I_u。

余弦相似度

• 标准的余弦相似度：
  

• 修正的余弦相似度
  不同用户存在不同评分尺度的偏见，下面将采取减去对应项目上所有用户的平均评分的方法，来刻画用户对某一项目的评分与“公众意见”的偏差。
  

相关相似性

根据pearson提出的相关系数来度量项目之间的相似性,定义对项目i和j都有评分的用户集合为U_ij。

选择合适的相似性度量方法，求出项目集I中任意两项目之间的相似性，存入项目相似性矩阵Sim中，显然，Sim是对称矩阵。

最近邻的选取

中心最近邻

中心最近邻，是当前最常用也是最成功的最近邻选取方法。对于任意的i∈I，根据相似性矩阵Sim中其他项目与i的相似性，按从大到小顺序排列，将相应的项目编号存入最近邻矩阵TkNN的相应行中，构成项目i的最近邻集合；即第一最近邻与i的相似性最高，第二最近邻次之，依此类推。

聚合最近邻

聚合最近邻，对于某些新加人的项目，其评分向量与其他项目的评分向量的交集很小，不利于准确地计算相似性。比如说，已知当前项目i的第一最近邻为j，项目k和i被1个用户共同评分，项目t和i没有被共同评过分。这样，在i的最近邻列表中，k排在t前。但此时，若t是j的第一最近邻，那么t
也很有可能是i的最近邻。聚合最近邻的思想就是基于上述考虑。

算法改进

求取最近邻过程的改进—结合使用项目相似性与项目近邻等级

求取最近邻是整个协同过滤算法最关键的一步。最近邻越准确，其推荐结果就越可靠。因为最近邻根据项目相似性矩阵Sim来选取。

产生推荐过程的改进—集体评分

对于新加入的项目，集体评分是一个解决难以找到新加入项目最近邻的好方法。

结尾

好了，今天的论文就先读到这儿了，明天再见喽。