推薦系統精度提高的實用方法.pdf

1、推薦系統的目的是向用戶推薦用戶感興趣的信息和商品。推薦系統工具和技術是現有商業(yè)和研究團體的主要研究課題之一，推薦系統通過濾信息后臺預言用戶是否會對一個特定項目感興趣，并據此向用戶提供建議。推薦系統提供的建議主要用于用戶的決策過程，例如買什么商品，聽什么音樂，或讀什么新聞。最近十年出現了許多推薦技術，大多數已經成功地在商業(yè)環(huán)境里被使用了。
　　希望使用推薦系統的系統設計師需要在多個候選系統之間進行選擇。選擇適當的推薦算法的第一步是確

2、定應用程序要關注的屬性。事實上，推薦系統有一套屬性，可能會影響用戶的體驗，如精度、堅固性、可測量性等等。
　　協同過濾(CF)和基于內容的過濾(CBF)的推薦系統存在潛在問題，如稀疏性，覆蓋范圍小，冷啟動，以及過于專業(yè)化。這降低了系統的有效性。組合推薦系統通過結合使用不同的建議方法克服了一些上述的問題。我們提出了一種新型的交換組合推薦建議算法，使用基于項目的CF和基于用戶的CF上的分類方法生成受過訓練的內容配置文件。交換組合推薦系

3、統的智能點在于使用了一些標準來交換推薦方法。交換組合推薦系統的好處是，它能充分利用所構成的推薦系統的優(yōu)點和弱點來實現更有效的推薦方法。我們的推薦算法能給出比傳統的組合推薦系統更精確的結果。我們用MovieLens(SML)和FilmTrust(FT1)數據集評估該算法，實驗表明，該算法在平均絕對誤差，感受性曲線，覆蓋范圍三個方面都優(yōu)于其他推薦系統，同時相對其他推薦系統還能消除一些記錄問題并能在冷啟動情況下保持穩(wěn)健性。
　　更進一步

4、，通過機器學習分類器和協同過濾(CF)方法之間的切換，該算法可以平衡推薦的精確性和多樣性。如果系統建立了一個活躍用戶的Top-N推薦名單，該算法還能在推薦列表中引入某種隨機性，從而實現推薦一些在一定的范圍內的代替品而不是項目組均勻的功能，本文用MAE平均絕對誤差和感受性曲線ROC-sensitivity兩種不同算法的覆蓋范圍對該算法進行了分析，結果表明該算法優(yōu)于其他推薦算法的MAE平均絕對誤差和感受性曲線ROC-sensitivity，