基于分層策略的協(xié)同過濾算法研究.pdf

1、協(xié)同過濾(Collaborative Filtering)作為一項信息發(fā)現技術，近年來被廣泛應用在推薦系統(tǒng)的實現中。協(xié)同過濾利用所有用戶（User）跟所有物品（Item，被推薦的內容）的歷史交互信息，預測目標用戶的興趣和需求，從而給目標用戶提供個性化推薦。它以其良好的可移植性和推薦精度，成為了最成功的推薦算法之一。
　　然而，在協(xié)同過濾方法中，傳統(tǒng)的T op?N推薦策略在挖掘用戶需求時，只考慮了用戶的打分因素。在某些場景下，如電影

2、推薦、音樂推薦等，目標用戶的需求不只體現在打分上。那些只關注打分的推薦策略，一方面并不能很好的滿足用戶的需求，另一方面，也不能很好地完成推廣物品的任務。事實上，在這些推薦應用場景下，用戶作出的對某個物品的選擇也在很大程度上反映了用戶的需求。
　　本文正是針對傳統(tǒng)推薦系統(tǒng)在這些應用場景下的對用戶需求挖掘不充分的問題，結合人類行為學的一項理論：馬斯洛層次需求理論，設計了一種可以兼顧用戶品味（打分）與用戶選擇（選擇）的新推薦策略，并對這

3、個新策略的合理性作進一步研究。簡單地來說，我們的工作就是在傳統(tǒng)的協(xié)同過濾算法基礎之上，引入了層次的概念，使得傳統(tǒng)的推薦系統(tǒng)能夠更加全面地滿足用戶的層次化需求。
　　本文的主要貢獻在于：（1）首次在對推薦系統(tǒng)的需求分析中引入了一種層次化的新概念；（2）成功地對傳統(tǒng)協(xié)同過濾算法進行了層次優(yōu)化，不僅使它們能夠滿足用戶的層次化需求，而且能夠很大程度地提升推薦精度和推薦覆蓋率。
　　對兩個真實數據集的實驗結果表明，我們的算法在推薦系統(tǒng)