基于巴氏系數(shù)的協(xié)同過濾算法
推薦系統(tǒng)成功幫助人們解決了“信息過載”問題，并成功運(yùn)用于商業(yè)領(lǐng)域。推薦系統(tǒng)的核心是推薦算法，協(xié)同過濾算法是其中最為廣泛使用的協(xié)同過濾算法，其優(yōu)點(diǎn)是它與領(lǐng)域知識無關(guān)并且準(zhǔn)確性也比其他算法高?？煞譃椋夯谟脩舻牡膮f(xié)同過濾推薦算法和基于項(xiàng)目的協(xié)同過濾推薦算法。協(xié)同過濾推薦算法的基本思想是：與目標(biāo)用戶相似的用戶喜歡的項(xiàng)目目標(biāo)用戶也可能喜歡，其核心是相似度計(jì)算。傳統(tǒng)的相似度計(jì)算方法大都依賴共同評分項(xiàng)來計(jì)算目標(biāo)用戶的近鄰，而稀疏性使得這些方法失效甚至適得其反。經(jīng)過多年的發(fā)展，出現(xiàn)了各種不同的相似度計(jì)算方法：皮爾森相關(guān)系數(shù)（PC）是衡量兩個用戶（項(xiàng)目）的線性相關(guān)性。皮爾森相關(guān)系數(shù)（PC）在共同評分項(xiàng)較少的情形下無法判定兩個用戶的相似性，而且沒有充分利用全局評分信息；Ahn 提出了PIP （Proximity-lmpact-Popularity）只考慮評分的片面信息：接近、影響度和普及度，而沒有考慮全局評分信息的利用；Jaccard相似度計(jì)算方法考慮到使用全局評分信息，但是沒有考慮評分的數(shù)值的大小，而是簡單的處理為0和1；Bobadilla等捉出了多個相似度計(jì)算方法來克服其之前的相似度計(jì)算方法的缺點(diǎn)。1）結(jié)合了均方差（Mean squared-difference，MSD）和Jaccard提出JMSD計(jì)算方法，讓兩者克服彼此的缺點(diǎn)；2）他們提出Mean-Jaccard-Difference （MJD） ，在一定程度上克服了稀疏性問題。但上述的所有相似度計(jì)算方法在共同評分項(xiàng)較少的時候性能變得很差。
由前面的討論可以看出傳統(tǒng)的相似性計(jì)算方法并不適用于稀疏用戶一項(xiàng)目評分的場景，因?yàn)樗鼈兌家蕾嚬餐u分項(xiàng)。在此，我們提出一個基于巴氏系數(shù)的協(xié)同過濾算法（Collaborative Filtering Based on Bhattacharyya Coefficient，CFBC），該算法通過巴氏系數(shù)來度量項(xiàng)目間的相似度，巴氏系數(shù)通過計(jì)算項(xiàng)目的全局評分信息從而克服對共同評分項(xiàng)的依賴問題。CFBC算法有效緩解傳統(tǒng)相似度在用戶一項(xiàng)目評分?jǐn)?shù)據(jù)非常稀疏場景下推薦質(zhì)量低的問題。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%