《移动网络环境下个性化信息推荐算法研究》由会员分享，可在线阅读，更多相关《移动网络环境下个性化信息推荐算法研究（5页珍藏版）》请在金锄头文库上搜索。
1、移动网络环境下个性化信息推荐算法研究关键词：移动网络环境; 信息推荐; 奇异值分解法; 协同过滤引言随着移动设备普及和GPS信息技术发展，使得移动网络环境下基于用户情境的各种信息服务成为了近几年的研究热点。移动设备不受时间和位置的约束，同时能够获取用户随时随地分享的情境信息。大量的推荐算法已成功应用到不同的商业推荐系统中，虽然如此，算法在应用过程中，依然存在数据稀疏和用户冷启动问题。伴随着信息技术发展，用户个性化需求提高，需要更为精确的推荐服务。同时，各种媒体的纷纷涌现，当前的研究方向主要是通过多渠道收集用户信息，利用多种融合推荐技术，以达到更加准确和满意的推荐服务目标。在非冷启动;环境下，协
2、同过滤方法是最具有应用场景的推荐技术。但冷启动问题作为协同过滤推荐方法的一大缺点，本文提出改进的协同过滤推荐算法，以期在改善数据稀疏方便实现更好的推荐效果。1、传统的协同过滤算法作为应用最广的协同过滤推荐系统，主要借助两种推荐技术，分别为基于用户的推荐和基于项目的推荐。本文将对基于用户的推荐算法作进一步阐述，该算法步骤为：首先，对评分矩阵计算用户间的相似度；然后，通过相似用户找到用户的邻居用户。依据邻居用户的评分预测该用户对项目的评分，依据评分高低，对TOP-N个项目对该用户产生推荐。1.1 用户相似度计算方法用户相似计算是对用户之间对共同评分项目的相似趋势进行计算，其时间复杂度相对比较大，计
3、算量较高，常用的相似度度量标准有余弦相似度和皮尔逊相关系数。a：Pearson相关系数。设用户a与用户b共同评分的项目集合Iab，通过Pearson相关系数度量用户对项目i和项目j进行评分的相似性趋势。用户之间的相似度时，计算方法表示公式(1)【1】：其中，ra，i和rb，i分别为用户a和用户b对选择项目i的评分，Iab表示用户a和用户b共同评分的所有项目， 和为用户a和用户b对所有共同评分项目的平均评分。b：修正的余弦相似度。修正的余弦相似度相对于余弦相似度减去了平均值，解决了不同用户对项目评分尺度不同的问题，仅考虑向量维度方向上的相似，排除了量纲差异。如，用户a用户5表示喜欢，而用户b用户
4、3表示喜欢。因此修正后的余弦相似度是对余弦相似度的完善和改进。计算公式(2)【1】所示：1.2 基于用户的协同过滤推荐算法基于用户的协同过滤表现在人们往往根据身边好友的推荐作出选择，其基本思想是：依据用户对项目的偏好类型和程度得到相似的邻居用户，那么邻居用户喜欢而该用户尚未购买的项目将被推荐给该用户。计算方法是借助用户-项目评矩阵予以说明。如表1所示，将用户未消费过的项目评分记为0，在计算与用户a相似的用户时，用户d的偏好与用户a最相近，则通过用户d的消费偏好预测用户a的消费偏好，得出待预测项目的评分。若是多个相似用户，那么根据用户的相似程度对待预测项目进行评分。表示为图形则如下图1所示：如图
5、所示，用户a喜欢项目A和项目C，同时喜欢项目A和项目C的用户d还喜欢项目D，用户a和用户d在该关系链条中相似，于是基于该算法的推荐系统会将项目D推荐给用户a。1.3 待预测项目评分在前面用户相似度计算的基础上，得到用户a与任意用户之间的偏好程度，并按偏好程度降序排序，取的TOP-K作为用户a 的最近邻，通过最近邻用户的评分预测该用户对项目i的评分，公式(3)【2】如下：ra，i为该系统预测的用户a对项目i的评分，ru，i为用户u对项目i的评分，sim(a，u)为用户a与用户u的相似度。通过用户相似度计算和推荐算法。2、移动环境下改进的协同过滤推荐算法由于用户-项目;评分矩阵数据十分稀疏，以评分
6、矩阵为基础预测的项目评分具有一定的局限性，导致计算用户间相似度时出现错误估计，使得推荐了用户并不喜欢的项目。对于协同过滤算法本身存在的这一问题，本文提出了融入奇异值对角矩阵改进的协同过滤算法。其计算方法为：首先借助奇异值分解法将原始高维系数矩阵按照由大到小重新排序，保留前K个奇异值，对应左右奇异矩阵作出相应变化，在得到的评分矩阵中将缺失值设置为0，得降维后的评分矩阵；然后，利用用户相似度计算方法计算用户间相似度，根据邻居用户对未知评分进行预测。该算法利用用户与项目之间的关系保留了重要因素，在一定程度上克服了数据稀疏性问题。Sarwar等人【3】利用每位用户的平均打分填充缺失值，通过奇异值（SV
7、D）降低用户-项目评分矩阵维度，在一定程度上解决了数据稀疏性问题，并得到了用户与项目之间的潜在关系。之后，Sarwar等人又在原始的SVD算法中提出了改进的SVD算法。在此基础上，本文融合SVD算法到协同过滤算法中，在SVD矩阵处理时采用不同的处理方法，并验证该方法的有效性。2.1 奇异值分解法奇异值分解（SVD）作为一种经典的矩阵分解算法，将矩阵进行降维处理，Rmxn=UmxkSkxk(Vnxk)T在保留重要内容的前提下，逐渐删除次重要特征信息，从而减少了数据稀疏带来的空白评分。计算原理【4】如下：对于mxn阶矩阵A通过SVD后，分解为3个矩阵的乘积，即A=USV T，U为mxm左奇异正交矩
8、阵，S为mxn对角矩阵，V为nxn右奇异正交矩阵。奇异值的分解如图所示：其中对角矩阵S须满足以下两点：（1）对角矩阵S=diag(S11，S22，.，Skk)（2）矩阵S对角线满足逐渐递减SiiSjj(ij)对项目特征降维处理原理如下：将得到的奇异值矩阵按照由大到小(从后向前)进行删减，保留前面数值较大的奇异值，同时满足largestd到的新矩阵A´值预测用户项目;中用户对项目的评分。基于SVD分解法的基本原理，首先对原始评分矩阵进行填充缺失值。通过SVD分解并降维处理，得到新的评分矩阵。将空白评分填充0，在填充完整的数据集上进行用户相似度计算。选取目标用户与其他任意用户对
9、项目偏好程度计算，得到目标用户的邻居用户。根据邻居用户的评分预测目标用户的评分。算法设计如图3所示。3、实验分析为验证本文改进算法的有效性，采用Movielens数据集进行测试分析。算法性能评价选用准确率。个性化推荐的目的是协助用户找到感兴趣的信息资源，准确率表示推荐列表中用户喜欢的比例，因此本文同时采用准确率（Precision）对改进算法的推荐质量进行评估，并与经典的传统协同过滤算法比较对比。准确率公式(4)【5】如下：其中，A为用户喜欢的项目集合，B为推荐列表中项目集合，|A∩B|为推荐列表中用户喜欢的项目数，|B|为推荐列表中的项目数。选取5个测试集，对算法的准确率计算，又图4
10、所示，改进的算法提高了推荐的准确率。4、总结随着移动互联网的普及和发展，更多的用户借助移动设备获取信息服务，实时感知用户所在的状态并针对性地推荐信息日益重要。本文结合当前研究背景，利用奇异值分解法，结合协同过滤算法，提出了改进的协同过滤算法。并通过Movielens验证了改进算法的有效性。然而，本文设计的算法是基于现有技术基础上的融合算法，对复杂的移动网络环境的认识不够充分，今后将结合移动情境下用户的复杂状态进行探讨与分析，针对特定的应用环境设计更为高效的推荐算法。参考文献：【1】 刘青文.基于协同过滤的推荐算法研究.中国科学技术大学,2013【2】 曾子明,李鑫.移动环境下基于情境感知的个性化信息推荐.情报杂志,2012,31(8):167-170.【3】 Sarwar B M,Karypis G,Konstan J A,Riedl J.Application ofDimensionality Reduction in Recommender System-A CaseStudy.In ACM 2000 KDD Workshop on Web Mining fore-commerce-Challenges and Opportunities,Boston,MA,2000.【4】 夏培勇.个性化推荐技术中的协同过滤算法研究.中国海洋大学,2011.
