文档介绍：基于协同过滤算法的视频推荐
【摘要】当前我们正处在信息过载时代,推荐系统是解决该问题的很好方法,相比搜索引擎要求用户必须有明确的目标并提供搜索关键字,推荐引擎自动地从用户的历史行为中发现用户的喜好并为其进行推荐;基于协同过滤算法的推荐是当前最为成功和广泛使用的方法,本文介绍了协同过滤的定义、协同过滤的实施步骤,并将协同过滤推荐技术应用于在视频推荐网站,实验结果表明基于协同过滤的推荐在视频网站应用效果非常明显。
【关键词】信息过载推荐系统协同过滤个性化
一、引言
目前电子商务系统已经被人们广泛的应用和接受,商品种类和数量快速增长,所以推荐系统就被广泛的应用起来,来帮助人们在最感兴趣的方便进行筛选,比如:书籍、文章、网页、电影、音乐、百货等。个性化推荐系统就是建立在海量数据挖掘的基础上,给客户提供一个完全个性化的决策和信息服务支持的只能平台。为了能够更好、更准确的为客户推荐, 研究者提出了多种推荐算法,以其多个优点成为大众眼里的推荐算法“”,本文主要介绍协同过滤算法和实施步骤及其在视频网站的应用。
二、协同过滤
协同过滤(Collaborative Filtering)[2][3]也可叫做“协作型过滤
”。CF算法是根据用户的行为与其他用户的行为来相互连通根据相关数据做一个详细的比较,找出最相似的地方,根据和它最相近的兴趣或者爱好,来判断和预测出该用户的兴趣或者爱好趋向,以辅助进行决策判定的一种算法。
三、实施步骤
要实现协同过滤,需要以下三个步骤:(一)收集用户偏好;(二)找到相似的用户或物品;(三)计算推荐。
下面详细介绍协同过滤算法的实施步骤:
。收集用户偏好是基于用户的所有行为收集用户的偏好,这些行为包括普通的浏览、观看、搜索等行为,也包括用户显性的反馈信息,如收藏、购买、评分、评论等。针对不同应用场景可以对用户行为进行分组归类,对不同类型的行为进行加权处理,如用户的显性反馈行为权重一般高于隐性反馈,经过对用户的所有行为进行完整的加权后,这样就能得到所有客户的统一爱好趋向。最终得到了一个用户,偏好的二维矩阵,一维是用户列表,另一维是物品列表,值是用户对物品的偏好。
。当对所有的用户分析完并且得到其爱好以后,可以根据用户喜好计算相似用户和物品,然后对相似的用户进行一些相关的推荐,这就是最典型的CF的两个分支:基于用户的CF 和基于物品的CF。这两种方法都需要计算相似度,基于用户的CF需要计算用户间的相似度,基于物品的CF需要计算物品间的相似度。
。关于相似度的计算,通过计算两个向量的距离,距离越近相似度越大。在推荐的场景中,在用户-物品偏好的二维矩阵中,我们可以将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度,常用的相似度计算方法:(1)欧几里德距离;(2)皮尔逊相关系数;(3)Cosine 相似度;(4)Tanimoto 系数。
。介绍完相似度的计算方法,下面我们根据相似度找到用户- 物品的邻居,常用的挑选邻居的原则可以分为两类。固定数量的邻居:不论邻居的“远近”,只取最近的K个,作为其邻居。这种方法对于孤立点的计算效果不好,因为,要取固定个数的邻居,当它附近没有足够多比较相似的点,就被迫取一些不太