基于流行性預測的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)中的用戶和商品都越來越多。傳統(tǒng)的推薦算法由于混入了過多干擾和無用信息，在為每個用戶進行推薦時得到的準確率并不高。而流行性預測是一種利用商品在過去所產(chǎn)生的信息和屬性，來預測其未來流行性的方法。如果將流行性預測與推薦算法相結(jié)合，排除或降低無用商品的干擾，則有可能優(yōu)化推薦算法的推薦效果。本文提出了一種流行性預測的算法，并將其引入推薦算法中，以期達到提高推薦算法準確程度并保持新穎度的目的。
　　首先，本文提出了基于推

2、薦的流行性預測算法。該算法將傳統(tǒng)推薦算法的推薦列表當作一個流行性預測趨勢，將商品在不同用戶推薦列表中的出現(xiàn)次數(shù)作為一個預測指標對商品進行流行性預測。而在預測階段，不僅可以單獨將出現(xiàn)次數(shù)作為預測分數(shù)，還可以利用出現(xiàn)在推薦列表中的排序作為本次出現(xiàn)的權(quán)重，通過累加權(quán)重得出預測分數(shù)。這個方法在之后應用于推薦算法時，得到了良好的成績。
　　然后，本文提出了基于流行商品骨架的推薦算法。該算法在推薦算法前期，將訓練集中的數(shù)據(jù)根據(jù)預測流行度進行數(shù)

3、據(jù)骨架抽取，然后將只剩下預期流行商品的數(shù)據(jù)通過推薦算法進行推薦。經(jīng)過測試，這種算法不僅能夠?qū)⑾到y(tǒng)推薦的準確率、召回率和F1值分別提高2.2％、6.0%和4.5%，還能將系統(tǒng)的ESIBN提高21.1%。在引入混合后的流行度來進行推薦之后，能將準確率、召回率、F1值和ESIBN提高6.4%、10.1%、8.7%和58.7%。
　　最后，本文還提出了一種基于流行度加權(quán)的推薦算法。該算法在預估推薦分數(shù)生成之后，對每個商品的推薦分數(shù)進行流行

4、性加權(quán)。通過對其預估推薦分數(shù)進行提升或降低，達到在推薦系統(tǒng)中懲罰或獎勵該商品的目的。經(jīng)過實驗證明，將預期流行商品進行加權(quán)的推薦能夠?qū)⑺惴ǖ臏蚀_率、召回率和F1值，分別提高2.5%、4.3%和3.7%。而將流行商品進行降權(quán)后算法能夠?qū)⑾到y(tǒng)中用戶推薦列表的SIBN提高14.8%。在將上述基于流行商品骨架的推薦算法和將預期流行商品在列表中降權(quán)的算法混合在一個框架內(nèi)后，混合框架算法不僅能夠繼續(xù)保持前文中最優(yōu)算法的準確指標和ESIBN值，還能將其