基于属性向量协同过滤推荐算法并行化
基于用户的协同过滤算法
基于用户的协同过滤算法通过计算用户之间的相似度来评估他们的兴趣相似程度。通常使用余弦相似 度来计算用户之间的相似度，该算法通过计算两个用户在多个项目上的评分向量的夹角余弦值来评估 他们的兴趣相似程度。夹角越小，相似度越高。
基于用户协同过滤的分类
01
基于用户协同过滤可以分为两类
基于内存的协同过滤和基于模型的协同过滤。
05
基于用户的协同过滤算法 的应用案例
电商网站的推荐系统
用户行为数据
通过收集和分析用户在电商网站上的购买、浏览、搜索等行为数 据，可以了解用户的兴趣和需求。
用户相似度计算
基于用户行为数据的相似度计算，将用户划分为不同的群体，将 具有相似购买行为的用户归为一类。
商品推荐
根据用户所属的群体，以及用户的历史购买和浏览记录，推荐相 似的商品或者相关联的商品。
未来发展趋势与研究方向
结合其他推荐算法
如基于内容的推荐、混合推荐等，提高推荐 的质量和多样性。
考虑用户的行为模式
挖掘用户的兴趣爱好、行为习惯等信息，提 高推荐的准确性。
跨领域应用
将基于用户的协同过滤算法应用于其他领域 ，如社交网络、电子商务等。
在其他领域的应用前景
社交网络
根据用户在社交网络上的行为，如发表 的状态、评论等，挖掘用户的兴趣爱好 和社交关系，为广告投放、活动推广等 提供支持。
VS
电子商务
结合用户的购买历史、浏览记录等数据， 推荐相关的商品或服务，提高用户的购买 率和满意度。
THANKS
感谢观看
通过收集用户在电影平台上的观 影记录，了解用户的电影喜好和 偏好。
02
03
用户相似度计算
电影推荐
基于用户的观影记录，计算用户 之间的相似度，将具有相似观影 行为的用户归为一类。
基于协同过滤算法的推荐系统研究
基于协同过滤算法的推荐系统研究一、引言在互联网时代，信息爆炸的背景下，推荐系统一度成为了各大互联网平台必备的技术。
推荐系统通过分析用户历史行为或者使用其他算法，为用户推荐个性化的产品，极大提升了用户体验。
协同过滤算法是推荐系统的核心算法之一，本文将会系统地研究基于协同过滤算法的推荐系统。
二、协同过滤算法协同过滤算法是一种基于用户之间的相似度或物品之间的相似度，来预测用户对物品的评价的算法。
协同过滤算法有两种实现方式：基于用户的协同过滤算法和基于物品的协同过滤算法。
基于用户的协同过滤算法是指通过分析用户历史行为，找出跟目标用户行为最相似的一些用户，然后将这些用户评价高的物品推荐给目标用户。
而基于物品的协同过滤算法则是指通过分析物品的评价数据，找出被目标用户喜欢的物品，然后推荐与这些物品相似的物品给目标用户。
协同过滤算法的优点是适用于各种类型的数据，缺点则在于数据稀疏问题，即对于少有人评价的物品，难以通过协同过滤算法来推荐给目标用户。
三、推荐系统架构设计推荐系统的架构设计分为三个阶段：数据处理、推荐算法和推荐结果的展示。
数据处理阶段主要需要对原始数据进行清洗处理，并将处理后的数据存储到数据仓库中。
推荐算法阶段需要选择适合场景的协同过滤算法，并通过模型训练与优化来提升推荐效果。
最后，推荐结果的展示需要在用户界面上呈现最终的推荐结果，包括推荐物品、推荐理由等。
四、协同过滤算法优化协同过滤算法存在的问题主要有三个：数据稀疏问题、冷启动问题和推荐结果的解释问题。
数据稀疏问题可以通过引入隐语义模型、奇异值分解（SVD）等技术来解决。
隐语义模型是一种通过对物品和用户进行向量表示，并通过矩阵分解找到对应的相似度，来解决数据稀疏问题的模型。
SVD是一种将矩阵分解成三个矩阵的方法，通过优化这三个矩阵，可以得到非常好的预测效果。
冷启动问题则可以通过引入基于内容的推荐算法来解决。
基于内容的推荐算法是一种通过分析物品的内容特征，来推荐类似的物品给目标用户的方法。
推荐系统基于协同过滤
推荐系统基于协同过滤3. 基于协同过滤的推荐算法（⽤户和物品的关联）协同过滤（Collaborative Filtering，CF）-- ⽤户和物品之间关联的⽤户⾏为数据①基于近邻的协同过滤 基于⽤户（User-CF） --⽤户画像 基于物品（Item-CF） -- 基于内容-特征⼯程②基于模型的协同过滤 奇异值分解（SVD） 潜在语义分析（LSA） ⽀撑向量机（SVM）协同过滤CF -- ⽤户⾏为数据基于内容（Content based，CB）（物品的信息拿不到基于内容就⽆法做了）主要利⽤的是⽤户评价过的物品的内容特征，⽽CF⽅法还可以利⽤其他⽤户评分过的物品内容CF 可以解决 CB 的⼀些局限（⽤户评价可得出物品的好坏，但CF⽆法做出冷启动，基于⼤量数据） 物品内容不完全或者难以获得时，依然可以通过其他⽤户的反馈给出推荐 CF基于⽤户之间对物品的评价质量，避免了CB仅依赖内容可能造成的对物品质量判断的⼲扰 CF推荐不受内容限制，只要其他类似⽤户给出了对不同物品的兴趣，CF就可以给⽤户推荐出内容差异很⼤的物品（但有某种内在联系）分为两类：基于近邻和基于模型①. 基于近邻的推荐基于近邻（基于⽤户之间的关联）的推荐系统根据的是相同“⼝碑”准则是否应该给Cary推荐《泰坦尼克号》？基于⽤户的协同过滤（User-CF）⽤户的⾏为数据基于⽤户的协同过滤推荐的基本原理是，根据所有⽤户对物品的偏好，发现与当前⽤户⼝味和偏好相似的“邻居”⽤户群，并推荐近邻所偏好的物品在⼀般的应⽤中是采⽤计算“K- 近邻”的算法；基于这 K 个邻居的历史偏好信息，为当前⽤户进⾏推荐User-CF 和基于⼈⼝统计学的推荐机制 两者都是计算⽤户的相似度，并基于相似的“邻居”⽤户群计算推荐 它们所不同的是如何计算⽤户的相似度：基于⼈⼝统计学的机制只考虑⽤户本⾝的特征，⽽基于⽤户的协同过滤机制可是在⽤户的历史偏好的数据上计算⽤户的相似度，它的基本假设是，喜欢类似物品的⽤户可能有相同或者相似的⼝味和偏好基于物品的协同过滤（Item-CF）基于项⽬的协同过滤推荐的基本原理与基于⽤户的类似，只是使⽤所有⽤户对物品的偏好，发现物品和物品之间的相似度，然后根据⽤户的历史偏好信息，将类似的物品推荐给⽤户Item-CF 和基于内容（CB）的推荐 其实都是基于物品相似度预测推荐，只是相似度计算的⽅法不⼀样，前者是从⽤户历史的偏好推断，⽽后者是基于物品本⾝的属性特征信息同样是协同过滤，在基于⽤户和基于项⽬两个策略中应该如何选择呢？ 电商、电影、⾳乐⽹站，⽤户数量远⼤于物品数量 新闻⽹站，物品（新闻⽂本）数量可能⼤于⽤户数量User-CF 和 Item-CF 的⽐较同样是协同过滤，在 User-CF 和 Item-CF 两个策略中应该如何选择呢？Item-CF 应⽤场景-- ⽤户⾏为数据 -- 主流 基于物品的协同过滤（Item-CF）推荐机制是 Amazon 在基于⽤户的机制上改良的⼀种策略。
基于协同过滤算法的音乐推荐系统设计与实现
基于协同过滤算法的音乐推荐系统设计与实现一、绪论随着互联网技术的发展，网络音乐逐渐成为人们日常生活中不可或缺的一部分。
然而，用户在面对海量音乐资源时，往往难以找到自己感兴趣的音乐，因此音乐推荐系统成为了一个备受关注的研究方向。
本文将介绍一种基于协同过滤算法的音乐推荐系统的设计与实现。
二、协同过滤算法协同过滤算法是一种经典的推荐算法，它基于用户以往的历史行为来预测用户未来的兴趣。
对于音乐推荐系统，协同过滤算法的核心思想是将用户与音乐看作一个二维矩阵，其中每个元素表示用户对音乐的评分。
如果两个用户对同一首歌曲的评分相似，那么可以认为他们具有相似的兴趣，因此可以将一位用户对于一首他尚未听过的歌曲的喜欢度预测为与他兴趣相似的其他用户对于该歌曲的评分的加权平均值。
协同过滤算法又可分为基于用户的协同过滤算法和基于物品的协同过滤算法。
基于用户的协同过滤算法认为具有相似兴趣的用户在过去一定会对同一首歌曲有相似的评价，因此可以通过对多个相似用户对该歌曲的评分进行加权平均，来预测该用户对该歌曲的喜欢度。
而基于物品的协同过滤算法则认为对于一首歌曲喜欢的用户在未来对其他相似的歌曲也有可能会有相似的喜欢度，因此可以通过对相似歌曲的评分进行加权平均，来预测用户对该歌曲的喜欢度。
两种方法各有优缺点，实践中通常采用两种方法的加权平均值进行综合推荐。
三、音乐推荐系统设计本文设计的音乐推荐系统主要分为数据预处理、协同过滤算法实现、推荐结果可视化展示三部分。
3.1 数据预处理本文所使用的数据来源为公开的网易云音乐数据集，其中包含了多个维度的数据信息，包括歌曲名、歌手、专辑、标签等信息。
在数据预处理过程中，首先需要对数据集进行去重、过滤、清洗等操作，以确保数据的完整性和可用性。
同时，需要对数据进行特征提取操作，将复杂的数据信息转换为协同过滤算法所需的二维矩阵形式，以便于算法的实现和优化。
3.2 协同过滤算法实现本文采用了基于物品的协同过滤算法，具体实现流程如下：（1）计算每首歌曲之间的相似度。
推荐系统中的协同过滤算法实现方法
推荐系统中的协同过滤算法实现方法随着互联网的快速发展和数据的爆炸增长，人们面临着信息过载的问题。
在这个信息过载的时代，推荐系统成为用户处理信息的重要工具。
推荐系统通过分析用户的历史行为和偏好，将合适的信息推荐给用户，提供个性化的服务。
协同过滤算法是推荐系统中最常用的算法之一。
它的核心思想是通过分析用户间的相似性，将一个用户的行为和喜好与其他用户的行为和喜好进行比较，从而推荐给该用户其他用户喜欢的项目。
协同过滤算法的实现方法主要有两种：基于用户的协同过滤算法和基于物品的协同过滤算法。
基于用户的协同过滤算法首先计算用户之间的相似度，然后根据相似度来预测用户对未知项目的评分。
在计算用户相似度时，可以使用不同的相似性度量方法，如皮尔逊相关系数、余弦相似度等。
根据用户相似度，可以使用加权平均或者加权和的方法来进行推荐。
基于用户的协同过滤算法的优点是简单易懂，容易实现和解释。
然而，当用户数量较多时，计算用户之间的相似度会变得复杂和耗时。
基于物品的协同过滤算法与基于用户的协同过滤算法类似，不同之处在于首先计算物品之间的相似度，然后根据相似度来为用户推荐物品。
与基于用户的算法相比，基于物品的算法更适用于系统物品比用户数量大的情况。
基于物品的协同过滤算法的计算代价低，适用于实时推荐系统。
然而，在物品数量较大时，计算物品之间的相似度也会变得复杂。
除了基于用户和物品的协同过滤算法，还有基于模型的协同过滤算法。
基于模型的协同过滤算法通过构建对用户和物品建模，从而预测用户对物品的评分。
常用的模型包括矩阵分解、深度学习等。
基于模型的协同过滤算法能够捕捉到更多的信息，提升推荐的准确性。
然而，由于建模的复杂性，计算代价通常较高。
在使用协同过滤算法时，还需要解决冷启动和稀疏性的问题。
冷启动问题指的是当新用户或新物品加入系统时，由于缺乏历史数据，无法准确推荐。
稀疏性问题是指用户评分数据通常是稀疏的，即很多用户只评分了一小部分项目。
基于知识图谱表示学习的协同过滤推荐算法
基于知识图谱表示学习的协同过滤推荐算法基于知识图谱表示学习的协同过滤推荐算法1. 引言随着互联网的不断发展和信息爆炸式增长，人们在面对海量信息时往往会感到困惑。
而推荐系统作为解决信息过载问题的有效手段，已经广泛应用于电子商务、社交网络等领域。
协同过滤是其中一种常用的推荐算法，通过分析用户的历史行为以及用户和物品之间的关系，实现个性化推荐。
而知识图谱则是一种语义表示的知识结构，将不同实体之间的关系以及属性用图的形式进行表示，可以更好地描述和理解信息之间的关联和联系。
本文将介绍基于知识图谱表示学习的协同过滤推荐算法，并探讨其优势和应用场景。
2. 知识图谱表示学习知识图谱表示学习是将知识图谱中的实体和关系映射到低维连续向量空间中的任务。
在传统的推荐算法中，用户和物品一般是用稀疏向量表示，难以捕捉到它们之间的语义关系。
而通过知识图谱表示学习，可以将用户和物品以及它们之间的关系映射到低维向量空间中，编码了更多的语义信息。
常见的知识图谱表示学习方法包括TransE、TransR、TransH等。
通过这些方法，可以更好地理解和预测用户与物品之间的关系，进而提高推荐的准确性和精度。
3. 协同过滤推荐算法协同过滤是一种常见的个性化推荐算法，它基于用户行为数据，通过分析不同用户之间的相似度和物品之间的相似度，来预测用户对未知物品的喜好程度。
传统的协同过滤算法主要有基于用户的协同过滤和基于物品的协同过滤。
基于用户的协同过滤算法通过分析用户之间的行为相似度，为用户推荐与其有相似兴趣的物品。
基于物品的协同过滤算法则通过分析物品之间的相似度，为用户推荐与其过去喜欢的物品相似度较高的物品。
然而，传统的协同过滤算法往往忽略了用户和物品之间的更多语义信息，导致推荐结果不够准确和个性化。
4. 基于知识图谱的协同过滤推荐算法基于知识图谱的协同过滤推荐算法将知识图谱表示学习与协同过滤算法相结合，通过提取用户和物品的语义信息并将其映射到低维向量空间中，来更好地捕捉用户和物品之间的关系。
实现推荐系统：基于内容和协同过滤的算法
实现推荐系统：基于内容和协同过滤的算法推荐系统在当今的电子商务和社交媒体等平台上扮演着重要的角色。
它能够帮助用户快速发现自己感兴趣的内容和产品，提高用户体验和平台的粘性，同时也为平台的营销和推广带来了很大的价值。
基于内容和协同过滤的算法是目前主流的推荐系统算法，本文将深入探讨这两种算法的原理、特点和应用，并对它们进行比较和分析。
一、推荐系统概述推荐系统是一种利用算法为用户推荐商品、内容或者服务的系统。
通过分析用户的历史行为和兴趣，推荐系统能够为用户提供个性化、精准的推荐，帮助用户发现新的内容和产品，从而提高用户满意度和消费转化率。
推荐系统主要分为两种类型：基于内容的推荐和协同过滤的推荐。
基于内容的推荐是根据用户对商品或内容的历史喜好，从中挖掘出共同的特性和属性，然后为用户推荐具有相似特性和属性的商品或内容。
而协同过滤的推荐则是通过分析大量用户行为数据，找出具有相似行为模式的用户群体，然后将这些用户喜欢的商品或内容推荐给目标用户。
二、基于内容的推荐算法1.原理基于内容的推荐算法是根据商品或内容的特征和属性，为用户推荐具有相似特征和属性的商品或内容。
它不依赖于用户行为数据，而是直接对商品或内容进行分析和比较，从中挖掘出共同的特性和属性。
2.特点基于内容的推荐算法具有以下特点：（1）理解性强：算法能够直接理解商品或内容的特征和属性，为用户提供符合其兴趣的推荐。
（2）推荐精准：由于推荐是基于商品或内容的特征和属性，所以推荐结果往往更加精准，满足用户的个性化需求。
（3）新颖性差：基于内容的推荐算法往往不会给用户推荐过于新颖或偏离用户兴趣的商品或内容。
3.应用基于内容的推荐算法在电子商务、新闻资讯和社交媒体等平台上有着广泛的应用。
比如，亚马逊的商品推荐、今日头条的新闻推荐、豆瓣的图书推荐等，都是基于内容的推荐算法实现的。
三、协同过滤的推荐算法1.原理协同过滤的推荐算法是根据用户行为数据，找出具有相似行为模式的用户群体，然后将这些用户喜欢的商品或内容推荐给目标用户。
协同过滤推荐算法
协同过滤推荐算法
协同过滤推荐算法是一种基于用户行为的推荐算法，通过分析用户的历史行为和兴趣，发现用户的偏好，并基于不同的偏好对用户进行群组划分，然后推荐品味相似的商品。
这种算法可以分为基于用户的协同过滤算法和基于物品的协同过滤算法两种。
基于用户的协同过滤算法是通过分析用户的历史行为和兴趣，发现与目标用户相似的其他用户，然后根据这些相似用户的喜好为目标用户进行推荐。
而基于物品的协同过滤算法则是通过分析用户对不同物品的评分，发现物品之间的相似性，然后根据目标用户的历史评分和物品相似性，为目标用户进行推荐。
协同过滤推荐算法具有以下优点：
1.能够根据用户的历史行为和兴趣进行个性化推荐，提高推荐
的准确性和满意度。
2.能够自动发现用户的偏好，并进行群组划分，减少人工干预。
3.能够处理大规模的数据，并具有较好的扩展性。
然而，协同过滤推荐算法也存在一些缺点：
1.计算复杂度较高，需要处理大规模的数据和复杂的计算过程。
2.对于新用户或新物品的推荐效果可能不佳，因为这些用户或
物品可能没有足够的评分数据来进行有效的相似性计算。
3.可能存在数据稀疏性问题，即有些用户对很多物品都没有评
分，导致数据稀疏，影响推荐的准确性。
总之，协同过滤推荐算法是一种经典的推荐算法，能够根据用户的历史行为和兴趣进行个性化推荐，提高推荐的准确性和满意度。
然而，它也存在一些缺点，需要进行改进和完善。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机工程与设计
ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧ ＡＮＤＤＥＳＩＧＮ
Ｆｅｂ．２０１８ Ｖｏｌ．３９ Ｎｏ．２
基于属性向量协同过滤推荐算法并行化
温占考，易秀双，刘 勇，李 婕，王兴伟 （东北大学 计算机科学与工程学院，辽宁 沈阳 １１０８１９）
犃犫狊狋狉犪犮狋：Ｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙａｎｄａｃｃｕｒａｃｙｏｆｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ（ＣＦ），ａｎａｌｇｏｒｉｔｈｍｎａｍｅｄｒａｎｋｉｎｇｏｒｉｅｎｔｅｄｃｏｌｌａｂｏｒａ ｔｉｖｅｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｔｙｐｉｃａｌｉｔｙｏｆｔｈｅｐｒｏｐｅｒｔｙｖｅｃｔｏｒｗａｓｐｒｏｐｏｓｅｄ．Ｔｈｅｉｔｅｍ ｗｉｔｈｔｈｅｉｔｅｍｐｒｏｐｅｒｔｙｉｎｆｏｒｍａｔｉｏｎ ａｎｄｔｈｅｕｓｅｒｉｔｅｍｒａｔｉｎｇｗａｓｃｌｕｓｔｅｒｅｄ．Ｔｈｅｐｅｒｍｕｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｉｔｅｍｃｌａｓｓｗａｓｃａｌｃｕｌａｔｅｄａｎｄｔｈｅｓｉｍｉｌａｒｉ ｔｙｂｅｔｗｅｅｎｔｈｅｔａｒｇｅｔｕｓｅｒａｎｄｏｔｈｅｒｕｓｅｒｓｗａｓｇｏｔｔｈｒｏｕｇｈｔｈｅｃａｌｃｕｌａｔｉｏｎｏｆｔｈｅＫＬｄｉｖｅｒｇｅｎｃｅ．Ｔｈｅｉｔｅｍｐｅｒｍｕｔａｔｉｏｎｐｒｏｂａｂｉｌｉ ｔｙｗａｓｐｒｅｄｉｃｔｅｄｂｙｔｈｅｒａｔｉｎｇｂｅｈａｖｉｏｒｏｆｔｈｅｎｅｉｇｈｂｏｒｕｓｅｒｓ．Ａｒｅｃｏｍｍｅｎｄａｔｉｏｎｌｉｓｔｗａｓｏｂｔａｉｎｅｄ．Ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ ｗａｓ ａｃｃｏｍｐｌｉｓｈｅｄｉｎｔｈｅＨａｄｏｏｐｄｉｓｔｒｉｂｕｔｅｄｅｎｖｉｒｏｎｍｅｎｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓｍｏｒｅｅｆｆｅｃｔｉｖｅ ａｎｄａｃｃｕｒａｔｅｃｏｍｐａｒｅｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ． 犓犲狔狑狅狉犱狊：ｐｒｏｐｅｒｔｙｖｅｃｔｏｒ；ｔｙｐｉｃａｌｉｔｙ；ｐｅｒｍｕｔａｔｉｏｎ；ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ；ｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ
Ｄｉｓｔｒｉｂｕｔｅｄｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｒｉｔｈｍ ｂａｓｅｄｏｎｐｒｏｐｅｒｔｙｖｅｃｔｏｒ
ＷＥＮＺｈａｎｋａｏ，ＹＩＸｉｕｓｈｕａｎｇ，ＬＩＵ Ｙｏｎｇ，ＬＩＪｉｅ，ＷＡＮＧＸｉｎｇｗｅｉ
（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ１１０８１９，Ｃｈｉｎａ）
·４２６·
计算机 出 发， 提 出 基 于 典 型 性 协 同 过 滤算法，极大提升了预测准确率［５］；李改等运用基于 Ｋ 近 邻的属性—特征映射的算法得到新用户和新项目的特征向
收稿日期：２０１６１１２１；修订日期：２０１７０４２７ 基金项目：国家自然科学基金项目 （６１５７２１２３）；国家杰出青年科学基金项目 （６１２２５０１２、７１３２５００２）；辽宁省百千万人才工程基金项目 （２０１３９２１０６８）；赛尔网络下一代互联网技术创新基金项目 （ＮＧＩＩ２０１６０６１６） 作者简介：温占考 （１９８０ ），男，江西赣州人，硕士，工程师，ＣＣＦ会员，研究方向为下一代互联网、网络安全及大数据分析；易秀双 （１９６９ ），男，内蒙古赤峰人，博士，教授，研究方向为下一代互联网、网络安全及大数据分析；刘勇 （１９９２ ），男，山东德州人，硕士， 研究方向为下一代互联网、大数据分析；李婕 （１９８１ ），女，辽宁沈阳人，博士，副教授，研究方向为下一代互联网、智能路由；王兴伟 （１９６８ ），男，内蒙古包头人，博士，教授，研究方向为下一代互联网、智能路由、软件定义网络、网络空间安全及大数据分析。 Ｅｍａｉｌ：ｘｓｙｉ＠ｍａｉｌ．ｎｅｕ．ｅｄｕ．ｃｎ
０ 引 言
协同过滤［１］推荐 算 法 可 大 致 分 为 基 于 评 分 预 测 和 基 于 排序预测 两 类。基 于 评 分 预 测 的 协 同 过 滤 是 最 为 熟 知 的， 原理是根据相 似 用 户 （物 品 ） 评 分， 预 测 目 标 用 户 （物 品 ） 评分，将评分排序后得到一个 ＴｏｐＮ 推荐列表。基于用户 的协同过滤算法［２］利用用户对所有物品评分行为相似性来 查找相似用户，而基于物品的协同过滤算法［３］利用所有用 户对物品评分行为相似性来查找相似物品，但两者都是利 用相似用户或者物品的历史评分来进行预测。
现存算法面临几个核心问题。①仅考虑用户对物品评 分而忽略物品属性信息［２，３］，不能准确表示用户的兴趣，使 得准确率受到很大的限制；②物品数量众多，用户物品评 分矩阵稀疏程度太高及维度过高［４］，用户之间共同评分的 物品很少，对物品全排列的时间复杂度变高，不能准确找 到相似用户，影响推荐准确率；③大数据背景下，难以及 时响应用户请求。
摘 要：为提高协同过滤推荐算法的效率及准确率，提出一种基于属性向量典型性的排序推荐算法。综合考虑物品属性信 息及用户对物品历史评分等多维度信息，计算用户间的相似度，根据相似用户的评分行为预测目标用户对物品排列概率， 得到最终推荐列表。在 Ｈａｄｏｏｐ分布式环境下进行实现，实验结果表明，相比于传统推荐算法，该方法更加高效和准确。 关键词：属性向量；典型性；全排列；协同过滤；推荐算法 中图法分类号：ＴＰ３１２ 文献标识号：Ａ 文章编号：１０００７０２４ （２０１８）０２０４２５０５ 犱狅犻：１０．１６２０８／ｊ．ｉｓｓｎ１０００７０２４．２０１８．０２．０２３