● 摘要
推荐系统是解决信息过载的一个有效的工具。特别是推荐系统帮助用户从潜在的感兴趣的项目中找到自己有兴趣的东西。推荐系统给用户和网站运营商带来了双赢。协同过滤推荐算法是当前推荐系统最成功的算法。传统的协同过滤推荐算法由于评分数据稀疏性的影响，降低了推荐结果的准确性。本文基于协同过滤算法提出了引入用户的影响，从用户的背景信息，用户影响集着手在协同过滤推荐对算法的各个阶段进行改进。 本文在进行传统的协同过滤之前利用已有的用户背景信息来构建一个不再稀疏的用户-项评分矩阵,这通过预测原矩阵中的未评分项来完成,对填充过的矩阵进行协同过滤将大大提高推荐的精确度。同时,比起传统的协同过滤算法,新算法在预测零值时结合了用户的背景信息,这些额外的数据使协同过滤获得的用户相似度和用户语义上的层次信息相关联。 基于用户的级别对推荐算法的改善也是体现在近邻的查找中。把候选近邻的范围限定在该用户级别值的某特定邻域内，并通过邻域区间的大小近似确定分布在该区间的用户数。与传统方法在整个用户空间内找近邻相比,降低了查找时间, 提高了效率。 引入用户影响力的改进主要体现在查找近邻的过程中，将影响集与近邻的结合，在近邻数为0时,此时传统的只基于最近邻的协作过滤算法无法为这个项目产生预测评分。引入影响力的推荐算法中考虑影响集与近邻的结合。从而提高项目的评价密度,获得足够的评价资源。从而改善推荐效果。 实验证明本文提出的改进的算法推荐结果优于传统的协同过滤算法。在效率或推荐质量上也表现出一定的优越性。