基于RBFN一项目聚类的协同过滤推荐算法研究
- 格式：pdf
- 大小：327.62 KB
- 文档页数：4
协 同过 滤 中的 稀 疏 性 问题 。 关 键 词 ： 电子 商 务 ；推 荐 系统 ；矩 阵稀 疏 性 ；Ｒ Ｆ Ｂ Ｎ；协 同过 滤 中 图 分 类 号 ：Ｔ ３ ３： Ｐ ０ ． Ｐ ９ Ｔ ３ １６ 文 献 标 识 码 ：Ａ 文章 编 号 ：１０ ７ ９ （０ ２ １ ０ ０— ６ ５ ２ １ ） ７—０９ ０ １５— ４
由于 仅仅考 虑 到 低维 数 据 ，这种 方 法 会 失 去 一些 有 价值的信息 。Ｍ ｋｖｈ ｅｉ Ｐｅｋｔ ｈ （００ ｋ ａｉａｄｖ， ｖｎａ ｓ ２ １ ）使 ｔ ｅ 用径向基函数网络 （ Ｂ Ｎ Ｒ Ｆ ）来降低高维数据的稀疏 性¨ 。第 二 ，使用 基 于项 目聚类 的方 法来 减 少 数 据 稀 疏 性 带 来 的 影 响 。 邓 爱 林 ，左 子 叶 ，朱 扬 勇 （０４ ２０ ）提出了一种基于项 目聚类 的协 同过滤推荐算 法 ，根据 用 户 对 项 目评 分 的 相 似 性 对 项 目进 行 聚 类 ＿ 。这种方法没有对数据进行 降维处理 ，因此影 ６ 』 响推荐 的质量 。 在 这篇 文章 里 ，将 Ｒ Ｆ 和基 于项 目聚类 两 种 ＢＮ 方法结合解决数 据稀疏性带来 的问题 ，形成混合推 荐系统来实现推荐 。本文先使用 Ｒ Ｆ Ｂ Ｎ使稀 缺数据 平滑化 ，这样可以有效改善高维数据的稀疏性问题 ； 然后使用基于项 目的聚类方法进一步降低数据稀疏 性 的影 响 ，为客 户提 供更 高效 的推荐 。 论题 按照 以下 的结 构 来组 织 。在第 二 部 分 ，介 绍 了预 备知 识 。第 三部 分 ，讨 论 了提 出的 算 法 。第 四部分 ，展示 实验 的结 果 。第 五 部 分 ，总 结 我 们 的 工 作 ，提 出未来 的研 究方 向。
基金项 目 ：国家 自然科学基金项 目”基 于 自组织数据挖掘 的 Ｃ Ｍ客 户分析研究” （ ０ ７０ ７） Ｒ ７ ７ １６ ；国家 自然科学 基金项 目” 面 向数据特 点的 客户价值区分集成模型研究” （０ １０ ） １７ １１ ；国家 自然 科学基 金项 目”类 别不 平衡 环境下 的客 户价值 区分 迁移 集成模 型研究 ”
０ 引 言
需求 的差 异 性 ，推 荐 质 量 较 差 ；个 性 化 推 荐 系统 算 法 比较复 杂 ，但 推 荐 质 量 相对 较 高 Ｊ 。协 同 过滤 推
随着 因特 网 的快 速 发 展 ，电子 商 务 或 电子 购 物 开始 面对 着 巨量 的客 户 群 体 ，同时 也 使 消 费 者 面 对 更 多 的选择 。个 性 化 服 务 技 术 就 是 针 对 这 个 问题 而 提 出的，它为不同用户提供不 同的服务… 。推荐系 统 （ ｅｏ ｍ ｎｅ ｙｔ Ｒ ｃｍ ｅｄｒ ｓ ｍ） 是 电子 商 务 服 务 提 供 商 Ｓ ｅ 提供 个性 化 服 务 重 要 的信 息 工 具 。顾 名 思 义 ，推 荐 系统 的任 务 就 是 根 据 客 户 的喜 好 推 荐 产 品 给 客 户 。 这 种 系统经 常 被 电子 商 务 网站 作 为 营销 工 具 ，推 荐 客 户可 能购 买 的产 品来 提 升 收益 。推 荐 系 统 在 许 多 电子 商 务 网 站 上 得 到 了大 规 模 的 应 用 ，例 如 Ａ ａ ｍ． ｚｎ Ｄ ｏ Ｄ ｕｓ ｒ ，Ｍ ｖ Ｆｎ ｅ 等等 ［ ｏ ，Ｃ Ｎ ｗ， ｒｇｔ ｅ ｏ ｉ ｉｄｒ ｏ ｅ 。
（ 四川 大学工商 管理 学院 ，四川成都 ６０ ６ ） １０ ４
摘要 ：高维数据的稀疏性 问题 是 降低 协 同过 滤技 术推荐 质量 的 主要 原 因之 一。提 出 了基 于径 向基 函数 网络
（ Ｂ Ｎ）一 项 目聚类的算法 来降低数据 的稀疏 性 ，应用径向基函数 网络 （ Ｂ Ｎ）处理 高维稀疏数据得 到一个 ＲＦ ＲＦ 完整的矩阵 ，应用基 于项 目聚类的协 同过滤推荐 算法产生推 荐。实验结果表 明 ，本算法比其他算法能更好处理
１ 预备 知识
１ １ 径 向基 函数 网络 （ Ｂ Ｎ） ． Ｒ Ｆ
ＲＦ Ｂ Ｎ是 人 工 神 经 网络 的一 个 改 进 算 法 ，包 含 三 层 ：输 入层 ，隐藏层 和输 出层 （ 图 ２ 。输 人 层 如 ） 包 含 Ｍ 个神经 元 ，用户 的评级 向量输 入 神 经元 。这 层与 隐藏 层 的神 经 元全 部 联 接 。 隐藏 层 的 每 个神 经元 有激 活 函数 。隐 藏层 也 与 输 出 层 完 全联 接 。输
（） １
１２ 基 于项 目聚 类 ．
聚类技 术经 常 同协 同过 滤 推荐 算 法 组 合 一 起 使 用，即形成基于聚类 的协 同过滤推荐算法。遇有高 维聚类 协 同过 滤推 荐 算 法是 在 整 个 数 据集 中搜 索 目 标对象的最近邻居 ，因此计算量会是 巨大的。通过 聚类 技术 ，将最 近邻 居 的搜 索 范 围 缩 小 到 与 目标 对 象相 似性程 度 最 高 的几 个 聚 类 ，可 以 有 效减 少 计 算 量 ，从 而 提高 推荐 算 法 的响 应 速度 。在 大 量基 于 聚 类 的协 同过滤 推 荐算 法 研 究 文 献 中 ，也 证 明 了在 推 荐 之前首 先开 始聚类 有益 于提 高聚类 质量 ｌ儿 ｌ 。
ｒ ｇ ｈ ｓ ｐ ｐ ｒｃ ｍｅ ｐ ｗｉ ｅＲＢＦ —ｂ ｓ ｄ ａ ｄ ｉ ｍ —ｂ ｓ ｄ ｃｕ ｔｒｎ ｙ ｒ ｌｏ ｔ ｍ ｅ ｕ ｅ ｔ ｅ ｄ ｔ ｐ ｒ ｉ ｉ ．Ｔ ｉ ａ ｅ ｏ ｓ ｕ ｔ ｔ ｎ ｈ ｈ Ｎ ａｅ ｎ ｅ ｔ ａ ｅ ｌ ｓｅ ｇ ｈ ｂ ｄ ａ ｇ ｒ ｈ ｔ ｒ ｄ ｃ ａａ ｓ ａ ｓ ｉ ｉ ｉ ｏ ｈ — ｔ ．ｗ ｐ ｌ Ｆ ｏ ｇ ｔ ｏ ｌｔ ｔ ｘ ａ ｄ ｅ ｌｙ ａ ｃ ｌ ｂ ｒ ｔ ｅｆ ｔｒ ｇｒ ｃ ｍｍｅ ｄ ｔ ｎ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｔｍ ｙ ｅ ａ ｐｙ ＲＢ Ｎ ｔ ｅ ｃ ｍｐ ｅ ｅｍａｒ ｎ ｍｐ ｏ ｏｌ ｏ ａｉ ｌ ｉ ｏ ａ ｉ ａ ｖ ｉ ｅｎ ｅ ｎ ａ ｉ ｌｏ ｔ ｍ ａ ｅ ｎ ｉ ｏ ｉ ｅ ｃｕ ｔｒｎ ｏ ｏ ｔｉ ｅ ｏ ｌ ｓｅ ｇ ｔ ｂ ａｎ ｒ ｃ ｍｍｅ ｄ ｔ ｎ ．Ｔ ｅ ｅ ｐ ｒ ｎ ｅ ｕｔ ｕ ｇ ｓ ｔ ａ ｅｎ ｗ ａ ｇ ｒ ｈ ｃ ｎ ｂ ｔ ｒｈ ｎ ｌ ｅ ｍａｒ ｉ ｎ ａ ｉ ｓ ｈ ｘ ｅ ｍｅ ｔ ｓ ｌ ｓ ｇ ｅ ｔ ｈ ｔｔ ｅ ｌｏ ｔ ｍ ａ ｅｔ ａ ｄ ｅ ｔ ｔ ｘ ｏ ｉ ｒ ｓ ｈ ｉ ｅ ｈ ｉ
推荐系统包括个性 化推荐 系统和非个性化 推荐 系统 。非 个性 化 推 荐 系统 向所 有 用 户 提 供 相 同 内容 的推 荐 ，如 电子 商 务 站 点 的畅 销 排 行 等 。个 性 化 推 荐系统则根据不同用户或用户群 的偏好来定制推荐。 非 个性 化 推荐 系 统 原 理 简 单 ，但 并 没 有 考 虑 到 用 户
Ｌ Ｕ Ｙｕ ｅ ｇ，ＨＥ Ｃ ａ ｇ ｈ ｎ Ｉ ｆｎ ｈｎｚｅ ｇ
（ ｕｉｅｓＳｈｏ， ｉ ｕｎＵ ｉ ｒｔ，Ｃ ｅ ｇｕ６ ０６ Ｃ ｉａ Ｂ ｓ ｓ ｃｏｌ Ｓｃ ａ ｎｖ ｓ ｙ ｈｎｄ １０４， ｈｎ ） ｎ ｈ ｅｉ
Ａ ｓｒｃ ：Ｔ ｅｓａｓｙｏ ｉ ｉ ｎｉｎｌ ａ ａ ｒ ｅｓｎｔ ｒｄｃ ｅｒｃｍｍ ｎ ｕ ｉ ｆ ｏａｏａｉ ｈ・ ｂ ｔａｔ ｈ ｐｒｉ ｆ ｇ ｄ ｔ ｈ ｈ ｍｅｓ ａ ｄ ｔ ｉ ａｍ ｊ ａｏ ｕｅｔ ｅｏ ｅｄｑａ ｔ ｏ ｌ ｂ ｒ ｖ ｆ ｅ ｏ ａｓ ｏｒ ｏｅ ｈ ｌ ｙ ｃｌ ｔ ｅｉ
‘ （） ＝ｅｐ （ ＿ ）仃＞ ｐ ｒ ｘ ｌ ０
盯
为 了提 高推 荐 算 法 的 推荐 质 量 ，许 多研 究 人 员 从不 同角度 对 用 户 和产 品信 息 进 行 分 析 、处 理 ，试 图解决数据稀疏性 带来 的问题 。主要有两 种途径 ： 第一 ，使用降维 的方法来减少数据稀疏性带来 的影 响 。Ｓｒａ ｔ ｌ（ ００ ，Ｂｌｕ ａ ｒｅ ａ ２０ ） ｉｓｓ＆ Ｐｚａｉ（ ９ ８ ｗ ｌ ａｚｎ １９ ） 运用奇异值分解法 来减少稀缺评级矩 阵的维数‘ 。 ９
ｓ ａ ｓｔ ｏ ｅ ． ｐ ｒｉｙ ｐｒｂｌｍ
Ｋｅ ｒ ｓ ｅ—ｃ ｍｍｅ ｃ ； ｒ ｃ ｍｍｅ ｄ ｒ ｙ ｔｍ ； ｍａ ｒ ｓ ａｓｔ ； ＲＢ Ｎ； ｃ ｌ ｂ ｒ ｔ ｅ ｆ ｅ ｎ ｙ ｗｏ ｄ ： ｏ ｒｅ ｅ ｏ ｎ ｅ ｓ ｓｅ ｔｉ ｐ ｒｉ ｘ ｙ Ｆ ｏｌ ｏａ ｉ ｔｒ ｇ ａ ｖ ｉ ｉ
Ｒｅ ｅ ｒ ｈ ｏｎ Ｃｏ ｌ ｂｏ ａ ｉ ｅ Ｆｌｅ ｉ ｃ ｍ ｍ ｅ ａ ｉ ｎ ｓ ａ ｃ ｌａ ｒ ｔｖ ｔ ｒｎｇ Ｒｅ ｏ ｎｄ ｔｏ Ａｌ ｒｔ ｍ ｓ ｄ ｉ Ｉｅ Ｃｌ ｓ ｅ ｉ ｇ ａ ｇｏ ｉｈ Ｂａ ｅ Ｏ ｌ ｔ ｍ ｕ ｔ ｒ ｎ ｎｄ ＲＢＦＮ
一
出层包含 Ｍ个神经元 ，经过平滑的用户评级向量 由 此 输 出 。输 出 层 扮 演 着 一 个 简 单 的 用 户 总 和 功 能 ［ 引
图 ２ 径 向 基神 经 网 络
图 １ 最 近 邻 居 的 选 择
其 中 ，Ｗｉ代 表从 隐藏 层 到输 出层 的权 重 向量 ， ｋ Ｒ ｘ ｉ（ ）是 激 活函数一 高斯 函数 ：
（ １０ ｌｏ） ７ １ １ｏ
ｌ６ ９
刘 玉峰 等 ：基于 Ｒ Ｆ 一项 目聚类 的协 同过滤推荐算法研究 ＢＮ
分矩阵中的稀缺单元 ，这被称为 “ 稀缺性问题” 。稀 缺 水平 用零单 元 占总评 级矩 阵 总单元 的 比例 来衡 量 。 稀缺性问题造成的结果就是缺少邻居。例如 ，在一 个出售书籍的商务网站上 ，拥有 四百万书籍 ，然而 每 个用 户评 价 过 的 书籍 一 般 不 超 过 ２０本 ，两 个 用 ０ 户共同评价过的书籍更是少之又少。这样 ，得到 的 用户一书籍矩 阵则是一个 高维稀疏 矩阵 。显然 ， ］ 基于用这样的稀疏矩阵计算得到的用户相似程度是 不可信 的。因此 ，随着用户和产品数 量的增加 ，数 据 的稀 疏程 度 迅 速增 加 ，从 而 造 成 系 统 推 荐 质量 的 急剧下 降 。
由于 仅仅考 虑 到 低维 数 据 ，这种 方 法 会 失 去 一些 有 价值的信息 。Ｍ ｋｖｈ ｅｉ Ｐｅｋｔ ｈ （００ ｋ ａｉａｄｖ， ｖｎａ ｓ ２ １ ）使 ｔ ｅ 用径向基函数网络 （ Ｂ Ｎ Ｒ Ｆ ）来降低高维数据的稀疏 性¨ 。第 二 ，使用 基 于项 目聚类 的方 法来 减 少 数 据 稀 疏 性 带 来 的 影 响 。 邓 爱 林 ，左 子 叶 ，朱 扬 勇 （０４ ２０ ）提出了一种基于项 目聚类 的协 同过滤推荐算 法 ，根据 用 户 对 项 目评 分 的 相 似 性 对 项 目进 行 聚 类 ＿ 。这种方法没有对数据进行 降维处理 ，因此影 ６ 』 响推荐 的质量 。 在 这篇 文章 里 ，将 Ｒ Ｆ 和基 于项 目聚类 两 种 ＢＮ 方法结合解决数 据稀疏性带来 的问题 ，形成混合推 荐系统来实现推荐 。本文先使用 Ｒ Ｆ Ｂ Ｎ使稀 缺数据 平滑化 ，这样可以有效改善高维数据的稀疏性问题 ； 然后使用基于项 目的聚类方法进一步降低数据稀疏 性 的影 响 ，为客 户提 供更 高效 的推荐 。 论题 按照 以下 的结 构 来组 织 。在第 二 部 分 ，介 绍 了预 备知 识 。第 三部 分 ，讨 论 了提 出的 算 法 。第 四部分 ，展示 实验 的结 果 。第 五 部 分 ，总 结 我 们 的 工 作 ，提 出未来 的研 究方 向。
基金项 目 ：国家 自然科学基金项 目”基 于 自组织数据挖掘 的 Ｃ Ｍ客 户分析研究” （ ０ ７０ ７） Ｒ ７ ７ １６ ；国家 自然科学 基金项 目” 面 向数据特 点的 客户价值区分集成模型研究” （０ １０ ） １７ １１ ；国家 自然 科学基 金项 目”类 别不 平衡 环境下 的客 户价值 区分 迁移 集成模 型研究 ”
０ 引 言
需求 的差 异 性 ，推 荐 质 量 较 差 ；个 性 化 推 荐 系统 算 法 比较复 杂 ，但 推 荐 质 量 相对 较 高 Ｊ 。协 同 过滤 推
随着 因特 网 的快 速 发 展 ，电子 商 务 或 电子 购 物 开始 面对 着 巨量 的客 户 群 体 ，同时 也 使 消 费 者 面 对 更 多 的选择 。个 性 化 服 务 技 术 就 是 针 对 这 个 问题 而 提 出的，它为不同用户提供不 同的服务… 。推荐系 统 （ ｅｏ ｍ ｎｅ ｙｔ Ｒ ｃｍ ｅｄｒ ｓ ｍ） 是 电子 商 务 服 务 提 供 商 Ｓ ｅ 提供 个性 化 服 务 重 要 的信 息 工 具 。顾 名 思 义 ，推 荐 系统 的任 务 就 是 根 据 客 户 的喜 好 推 荐 产 品 给 客 户 。 这 种 系统经 常 被 电子 商 务 网站 作 为 营销 工 具 ，推 荐 客 户可 能购 买 的产 品来 提 升 收益 。推 荐 系 统 在 许 多 电子 商 务 网 站 上 得 到 了大 规 模 的 应 用 ，例 如 Ａ ａ ｍ． ｚｎ Ｄ ｏ Ｄ ｕｓ ｒ ，Ｍ ｖ Ｆｎ ｅ 等等 ［ ｏ ，Ｃ Ｎ ｗ， ｒｇｔ ｅ ｏ ｉ ｉｄｒ ｏ ｅ 。
（ 四川 大学工商 管理 学院 ，四川成都 ６０ ６ ） １０ ４
摘要 ：高维数据的稀疏性 问题 是 降低 协 同过 滤技 术推荐 质量 的 主要 原 因之 一。提 出 了基 于径 向基 函数 网络
（ Ｂ Ｎ）一 项 目聚类的算法 来降低数据 的稀疏 性 ，应用径向基函数 网络 （ Ｂ Ｎ）处理 高维稀疏数据得 到一个 ＲＦ ＲＦ 完整的矩阵 ，应用基 于项 目聚类的协 同过滤推荐 算法产生推 荐。实验结果表 明 ，本算法比其他算法能更好处理
１ 预备 知识
１ １ 径 向基 函数 网络 （ Ｂ Ｎ） ． Ｒ Ｆ
ＲＦ Ｂ Ｎ是 人 工 神 经 网络 的一 个 改 进 算 法 ，包 含 三 层 ：输 入层 ，隐藏层 和输 出层 （ 图 ２ 。输 人 层 如 ） 包 含 Ｍ 个神经 元 ，用户 的评级 向量输 入 神 经元 。这 层与 隐藏 层 的神 经 元全 部 联 接 。 隐藏 层 的 每 个神 经元 有激 活 函数 。隐 藏层 也 与 输 出 层 完 全联 接 。输
（） １
１２ 基 于项 目聚 类 ．
聚类技 术经 常 同协 同过 滤 推荐 算 法 组 合 一 起 使 用，即形成基于聚类 的协 同过滤推荐算法。遇有高 维聚类 协 同过 滤推 荐 算 法是 在 整 个 数 据集 中搜 索 目 标对象的最近邻居 ，因此计算量会是 巨大的。通过 聚类 技术 ，将最 近邻 居 的搜 索 范 围 缩 小 到 与 目标 对 象相 似性程 度 最 高 的几 个 聚 类 ，可 以 有 效减 少 计 算 量 ，从 而 提高 推荐 算 法 的响 应 速度 。在 大 量基 于 聚 类 的协 同过滤 推 荐算 法 研 究 文 献 中 ，也 证 明 了在 推 荐 之前首 先开 始聚类 有益 于提 高聚类 质量 ｌ儿 ｌ 。
ｒ ｇ ｈ ｓ ｐ ｐ ｒｃ ｍｅ ｐ ｗｉ ｅＲＢＦ —ｂ ｓ ｄ ａ ｄ ｉ ｍ —ｂ ｓ ｄ ｃｕ ｔｒｎ ｙ ｒ ｌｏ ｔ ｍ ｅ ｕ ｅ ｔ ｅ ｄ ｔ ｐ ｒ ｉ ｉ ．Ｔ ｉ ａ ｅ ｏ ｓ ｕ ｔ ｔ ｎ ｈ ｈ Ｎ ａｅ ｎ ｅ ｔ ａ ｅ ｌ ｓｅ ｇ ｈ ｂ ｄ ａ ｇ ｒ ｈ ｔ ｒ ｄ ｃ ａａ ｓ ａ ｓ ｉ ｉ ｉ ｏ ｈ — ｔ ．ｗ ｐ ｌ Ｆ ｏ ｇ ｔ ｏ ｌｔ ｔ ｘ ａ ｄ ｅ ｌｙ ａ ｃ ｌ ｂ ｒ ｔ ｅｆ ｔｒ ｇｒ ｃ ｍｍｅ ｄ ｔ ｎ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｔｍ ｙ ｅ ａ ｐｙ ＲＢ Ｎ ｔ ｅ ｃ ｍｐ ｅ ｅｍａｒ ｎ ｍｐ ｏ ｏｌ ｏ ａｉ ｌ ｉ ｏ ａ ｉ ａ ｖ ｉ ｅｎ ｅ ｎ ａ ｉ ｌｏ ｔ ｍ ａ ｅ ｎ ｉ ｏ ｉ ｅ ｃｕ ｔｒｎ ｏ ｏ ｔｉ ｅ ｏ ｌ ｓｅ ｇ ｔ ｂ ａｎ ｒ ｃ ｍｍｅ ｄ ｔ ｎ ．Ｔ ｅ ｅ ｐ ｒ ｎ ｅ ｕｔ ｕ ｇ ｓ ｔ ａ ｅｎ ｗ ａ ｇ ｒ ｈ ｃ ｎ ｂ ｔ ｒｈ ｎ ｌ ｅ ｍａｒ ｉ ｎ ａ ｉ ｓ ｈ ｘ ｅ ｍｅ ｔ ｓ ｌ ｓ ｇ ｅ ｔ ｈ ｔｔ ｅ ｌｏ ｔ ｍ ａ ｅｔ ａ ｄ ｅ ｔ ｔ ｘ ｏ ｉ ｒ ｓ ｈ ｉ ｅ ｈ ｉ
推荐系统包括个性 化推荐 系统和非个性化 推荐 系统 。非 个性 化 推 荐 系统 向所 有 用 户 提 供 相 同 内容 的推 荐 ，如 电子 商 务 站 点 的畅 销 排 行 等 。个 性 化 推 荐系统则根据不同用户或用户群 的偏好来定制推荐。 非 个性 化 推荐 系 统 原 理 简 单 ，但 并 没 有 考 虑 到 用 户
Ｌ Ｕ Ｙｕ ｅ ｇ，ＨＥ Ｃ ａ ｇ ｈ ｎ Ｉ ｆｎ ｈｎｚｅ ｇ
（ ｕｉｅｓＳｈｏ， ｉ ｕｎＵ ｉ ｒｔ，Ｃ ｅ ｇｕ６ ０６ Ｃ ｉａ Ｂ ｓ ｓ ｃｏｌ Ｓｃ ａ ｎｖ ｓ ｙ ｈｎｄ １０４， ｈｎ ） ｎ ｈ ｅｉ
Ａ ｓｒｃ ：Ｔ ｅｓａｓｙｏ ｉ ｉ ｎｉｎｌ ａ ａ ｒ ｅｓｎｔ ｒｄｃ ｅｒｃｍｍ ｎ ｕ ｉ ｆ ｏａｏａｉ ｈ・ ｂ ｔａｔ ｈ ｐｒｉ ｆ ｇ ｄ ｔ ｈ ｈ ｍｅｓ ａ ｄ ｔ ｉ ａｍ ｊ ａｏ ｕｅｔ ｅｏ ｅｄｑａ ｔ ｏ ｌ ｂ ｒ ｖ ｆ ｅ ｏ ａｓ ｏｒ ｏｅ ｈ ｌ ｙ ｃｌ ｔ ｅｉ
‘ （） ＝ｅｐ （ ＿ ）仃＞ ｐ ｒ ｘ ｌ ０
盯
为 了提 高推 荐 算 法 的 推荐 质 量 ，许 多研 究 人 员 从不 同角度 对 用 户 和产 品信 息 进 行 分 析 、处 理 ，试 图解决数据稀疏性 带来 的问题 。主要有两 种途径 ： 第一 ，使用降维 的方法来减少数据稀疏性带来 的影 响 。Ｓｒａ ｔ ｌ（ ００ ，Ｂｌｕ ａ ｒｅ ａ ２０ ） ｉｓｓ＆ Ｐｚａｉ（ ９ ８ ｗ ｌ ａｚｎ １９ ） 运用奇异值分解法 来减少稀缺评级矩 阵的维数‘ 。 ９
ｓ ａ ｓｔ ｏ ｅ ． ｐ ｒｉｙ ｐｒｂｌｍ
Ｋｅ ｒ ｓ ｅ—ｃ ｍｍｅ ｃ ； ｒ ｃ ｍｍｅ ｄ ｒ ｙ ｔｍ ； ｍａ ｒ ｓ ａｓｔ ； ＲＢ Ｎ； ｃ ｌ ｂ ｒ ｔ ｅ ｆ ｅ ｎ ｙ ｗｏ ｄ ： ｏ ｒｅ ｅ ｏ ｎ ｅ ｓ ｓｅ ｔｉ ｐ ｒｉ ｘ ｙ Ｆ ｏｌ ｏａ ｉ ｔｒ ｇ ａ ｖ ｉ ｉ
Ｒｅ ｅ ｒ ｈ ｏｎ Ｃｏ ｌ ｂｏ ａ ｉ ｅ Ｆｌｅ ｉ ｃ ｍ ｍ ｅ ａ ｉ ｎ ｓ ａ ｃ ｌａ ｒ ｔｖ ｔ ｒｎｇ Ｒｅ ｏ ｎｄ ｔｏ Ａｌ ｒｔ ｍ ｓ ｄ ｉ Ｉｅ Ｃｌ ｓ ｅ ｉ ｇ ａ ｇｏ ｉｈ Ｂａ ｅ Ｏ ｌ ｔ ｍ ｕ ｔ ｒ ｎ ｎｄ ＲＢＦＮ
一
出层包含 Ｍ个神经元 ，经过平滑的用户评级向量 由 此 输 出 。输 出 层 扮 演 着 一 个 简 单 的 用 户 总 和 功 能 ［ 引
图 ２ 径 向 基神 经 网 络
图 １ 最 近 邻 居 的 选 择
其 中 ，Ｗｉ代 表从 隐藏 层 到输 出层 的权 重 向量 ， ｋ Ｒ ｘ ｉ（ ）是 激 活函数一 高斯 函数 ：
（ １０ ｌｏ） ７ １ １ｏ
ｌ６ ９
刘 玉峰 等 ：基于 Ｒ Ｆ 一项 目聚类 的协 同过滤推荐算法研究 ＢＮ
分矩阵中的稀缺单元 ，这被称为 “ 稀缺性问题” 。稀 缺 水平 用零单 元 占总评 级矩 阵 总单元 的 比例 来衡 量 。 稀缺性问题造成的结果就是缺少邻居。例如 ，在一 个出售书籍的商务网站上 ，拥有 四百万书籍 ，然而 每 个用 户评 价 过 的 书籍 一 般 不 超 过 ２０本 ，两 个 用 ０ 户共同评价过的书籍更是少之又少。这样 ，得到 的 用户一书籍矩 阵则是一个 高维稀疏 矩阵 。显然 ， ］ 基于用这样的稀疏矩阵计算得到的用户相似程度是 不可信 的。因此 ，随着用户和产品数 量的增加 ，数 据 的稀 疏程 度 迅 速增 加 ，从 而 造 成 系 统 推 荐 质量 的 急剧下 降 。
