论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　3 算法实现过程 

　　具体思路如下： 

　　①对日志信息进行处理与分析[4]，通过用户浏览或购买过某产品的信息所表现出的用户兴趣，将其从隐性信息转化为显性评分值； 

　　②通过度量项目间的相似性，选取出k个最相似的项目形成k个相似项目的集合，具体的相似性计算方法如公式（1）所示； 

　　③通过目标用户u的最近邻集合，利用公式（2）产生用户u对目标项目的评分； 

　　④得到用户对目标项的评分后，可按评分大小取其前N项对用户u进行推荐，从而完成全部推荐过程。 

　　4 实验与分析 

　　为了验证算法的精确性，使用绝对偏差MAE（Mean Absolute Error）[5]作为度量算法精确度的标准，并与Item-Based协同过滤推荐算法进行比对分析。 

　　实验中，指定项目聚类的数目为80。在最近邻选取时只选取与目标项目最为相似的前6项，对目标项目的最近邻数目由10个增至50个，其间隔为10。分别计算基于Web日志与聚类的协同过滤推荐算法与Item-Based协同过滤推荐算法的MAE，实验结果如图1所示。 

　　由实验结果可知，随着目标项目的最近邻数目的逐渐增加，两算法的MAE值均逐渐降低，当最近邻的数目达到50时，两算法都获得了最低的MAE，从而获得了最佳推荐效果。但自始至终基于Web日志与Item-Based协同过滤推荐算法的MAE值均小于Item-Based协同过滤推荐算法的MAE值。由此可见，基于Web日志与聚类的协同过滤推荐算法相较于Item-Based协同过滤推荐算法具有更高的推荐精度。 

　　5 结语 

　　本文所提出算法的推荐精度较传统的Item-Based协同过滤算法高，具有一定优势，不仅提高了协同过滤算法的效率，还解决了User-Based算法中用户过多不易寻找与目标用户具有相似爱好的用户群的瓶颈，节约了用户搜索产品的时间，并可以同时提高商家效益，从而实现用户与商家的共赢。 

　　参考文献： 

　　[1] 杜英. 基于协同过滤技术的个性化推荐系统研究[D].天津：天津师范大学，2012. 

　　[2] BING LIU.Web数据挖掘[M].北京：清华大学出版社，2013. 

　　[3] 李雪，左万利，赫枫龄，等.传统Item-Based协同过滤推荐算法改进[J].计算机研究与发展， 2009：394-399. 

　　[4] 王泽彬，金飞，李夏，等.Web数据挖掘技术及实现[J].哈尔滨工业大学学报，2005，37（10）：1403-1405. 

　　[5] 马宏伟，张光卫，李鹏.协同过滤推荐算法综述[J].小型微型计算机系统，2009，30（7）：1282-1288.