基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术,但面临着严重的用户评分数据高维化和稀疏性问题.同时,传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响,因而对评分预测的精度影响较大.此外,在移动环境下,传统协同过滤未结合情境信息,导致推荐质量下降.对此,提出一种基于情境聚类和用户评级的协同过滤模型.首先,根据情境信息对用户进行聚类,降低用户评分数据维度和稀疏性;然后,引入社会网络理论分析用户间关系,建立用户评级模型用于评价用户推荐能力,并结合评级指标进行评分预测.通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明:本模型在所有数据集上都获得了最高的预测精度,同时还具有最佳的推荐覆盖度,可显著提高预测精度,更适用于移动电子商务环境下的个性化推荐问题.

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.