基于多属性效用的协同过滤推荐系统

摘要：

针对基于多标准的协同过滤(MC-CF)推荐系统中用户负担重、超高维问题,提出了基于多属性效用的协同过滤(MAU-CF)推荐系统.首先,依据用户浏览行为挖掘属性权重和属性值效用,构造用户的多属性效用函数,获取用户对项目的隐式评分;其次,采用遗传算法(GA)寻找用户偏好的属性值集合;然后,根据属性值集合中属性权重和属性值效用的相似度,寻找最近邻;最后,根据相似度预测最近邻浏览或购买过的项目对目标用户的效用,向目标用户推荐效用大的项目.通过比较实验发现,相对于MC-CF,MAU-CF挖掘的隐式效用能够替代显式效用,计算维度减少了44.16％,时间消耗减少了27.36％,平均绝对误差(MAE)减少了5.69％,用户满意度提高了13.44％.实验结果表明,MAU-CF推荐系统在减少用户负担和计算维度、提高推荐质量方面比MC-CF推荐系统表现得更优越.

关键词：推荐系统、多属性效用、协同过滤、隐式评分、遗传算法

所属期刊栏目：35

分类号：TP391.1(计算技术、计算机技术)

资助基金：河南省高等学校哲学社会科学创新团队支持计划项目2014-CXTD-10

在线出版日期：2015-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1988-1992