混合推荐系统方法浅析
【摘要】随着I
ter
et的迅速发展，各种信息以指数级的速度增长，类型也愈来越多。如何有效的解决信息过载带来的种种问题，如何满足各种不同用户的需求，成为新的研究课题。本文提出一种基于混合方法的推荐系统方法，经验性的比较了混合算法与单纯贴近算法之间的表现，并且说明了混合方法较纯贴近方法可以提供更准确的推荐效果。【关键词】混合推荐系统；内容算法；人工智能0引言在互联网的迅猛发展下，随着信息过载问题的逐年升温，互联网用户对信息需求的日益膨胀，推荐系统在各个领域的数字化进程中扮演着越来越重要的角色在过去的数十年中，推荐系统在学术研究、工业界各种应用上取得了长足的进步然而，现有的推荐算法仍然存在特征提取、冷启动、过拟合、稀疏问题，需要不断完善和解决一些推荐系统通过混合使用协同方法和基于内容的方法，来避免单纯使用基于内容的方法或协同算法中的某些局限1。将协同方法和基于内容的方法混合应用至推荐系统有很不同方式，大概可以分为以下几类：（1）单独分开执行协同方法和基于内容的方法并将其预测合并。（2）将一些基于内容算法的特征应用于协同方法中。（3）将一些协同方法的特征应用于基于内容方法中。（4）建立一个将协同算法和基于内容算法特征结合应用的模型。上述方法已经被推荐系统的研究者所采用，下面将展开介绍。构建混合推荐系统的一种方法是单独执行协同算法和基于内容的方法。然后，我们可以得到两种情况。首先，我们可以将从各自的推荐系统中得到的结果（评级）采用线性组合或者投票机制的方法进行处理，以获得一个最终的结果。此外，我们可以采用其中某一种推荐系统，也即在任何情况下都采用一种比其他推荐系统都要好的系统，当然，这里的好是建立在一定的“质量”评价标准之上的。比如，每日学习系统选择了一个可以对推荐给出高置信区间值的推荐系统，同时这个系统能够选择出那些与用户过去的评价更加一致的推荐。1混合推荐系统概念与特征一些混合型推荐系统，包括Schwaighofer2和Rashid3里描述的“通过内容的协同”，都基于一些传统的协同技术，但是也能够为每个用户保留基于内容的文件。这些基于内容的文件，不是平常的相关项，而是被用来计算两个用户之间
f相似度的项。正如在曾汇艳，麦永浩4中所述，这些措施是用来解决一些纯协同方法中遇到的稀疏性相关问题，从而使许多成对用户拥有大量重要的相关项。这种方法的另一个好处是可以推r