基于用户偏好优化模型的推荐算法研究
基于用户行为的个性化推荐算法
基于用户行为的个性化推荐算法个性化推荐算法是一种根据用户个体的行为、兴趣、偏好等信息，为其提供个性化推荐的技术。
在互联网时代，信息爆炸式增长使用户面临着海量的内容选择，个性化推荐算法能够帮助用户快速找到符合其兴趣的内容，提高用户体验和满意度。
基于用户行为的个性化推荐算法通过分析和挖掘用户的行为数据，如浏览记录、点击记录、购买记录等，以了解用户的兴趣和偏好。
这些数据可以帮助推荐系统了解用户的兴趣爱好、消费习惯和购买意向，从而为用户提供个性化的推荐内容。
首先，基于用户行为的个性化推荐算法需要收集和分析大量的用户行为数据。
这些数据可以从用户的浏览器、APP、电商平台等渠道获取，包括用户的点击、浏览、购买、评价等各种行为记录。
通过对这些行为数据的分析，可以建立用户的兴趣模型和行为特征，进而为用户进行个性化推荐。
其次，基于用户行为的个性化推荐算法需要对用户行为数据进行挖掘和分析。
通过使用机器学习和数据挖掘技术，可以从大量的用户行为数据中挖掘出用户的兴趣和偏好。
例如，可以使用聚类算法将用户划分为不同的兴趣群体，或者使用关联规则挖掘用户的购买关联性。
这些分析结果可以为推荐系统提供用户的兴趣标签和行为特征，提高个性化推荐的准确性和效果。
另外，基于用户行为的个性化推荐算法需要建立用户的兴趣模型和推荐模型。
兴趣模型是描述用户兴趣、偏好和行为特征的数学模型，可以通过用户的行为数据训练得到。
推荐模型是根据用户的兴趣模型和推荐策略，从大量的内容中为用户进行个性化推荐的模型。
推荐模型可以使用协同过滤、内容推荐、基于标签的推荐等多种方法实现。
最后，基于用户行为的个性化推荐算法需要对推荐结果进行评估和优化。
推荐结果的质量对于用户的满意度和推荐系统的效果至关重要。
可以使用离线评估和在线评估两种方法来评估推荐结果的准确性和效果。
同时，通过对用户的反馈和行为数据进行分析，可以优化推荐算法和推荐策略，提高个性化推荐的效果和用户满意度。
基于大数据分析的个性化推荐系统设计与优化研究
基于大数据分析的个性化推荐系统设计与优化研究个性化推荐系统是基于用户的偏好、行为和兴趣，利用大数据分析技术，通过个性化推荐算法为用户提供个性化的推荐内容。
本文将针对基于大数据分析的个性化推荐系统的设计与优化展开讨论。
首先，个性化推荐系统的设计需要考虑以下几个方面。
首先是数据采集与处理阶段，系统需要收集大量用户数据，如用户行为数据、社交网络数据等。
其次是特征提取与建模，通过对数据进行处理和分析，提取出用户的关键特征，建立用户模型。
最后是推荐算法的选择与优化，根据用户模型，采用合适的推荐算法进行个性化推荐。
在数据采集与处理阶段，系统可以通过各种方式收集用户数据，如用户登录信息、浏览记录、购买记录等。
同时，通过整合社交网络数据，可以更全面地了解用户的兴趣和偏好。
对于大规模数据的处理，可以采用分布式存储和计算技术，如Hadoop和Spark，以提高系统的性能和效率。
特征提取与建模是个性化推荐系统的核心环节。
在这一阶段，系统需要对用户数据进行处理和分析，提取出用户的关键特征。
这些特征可以包括用户的性别、年龄、地理位置、购买偏好等。
同时，系统还需要建立用户模型，以描述用户的兴趣和偏好。
常用的方法包括协同过滤、内容过滤、基于图的推荐等。
此外，还可以结合深度学习和自然语言处理等技术，提取更复杂的用户特征。
推荐算法的选择与优化是个性化推荐系统的另一个重要方面。
不同的推荐算法有着不同的适用场景和精度。
常见的推荐算法包括基于协同过滤的协同过滤算法、基于内容过滤的内容过滤算法和基于深度学习的神经网络算法等。
在算法的优化方面，可以采用加权推荐、基于时间衰减的推荐、个性化冷启动等策略，提高推荐的准确性和用户满意度。
此外，个性化推荐系统还需要考虑用户隐私保护和系统的可解释性。
在数据收集和处理过程中，系统需要严格遵守相关的隐私保护法规，确保用户数据的安全和隐私。
在推荐过程中，系统需要向用户提供推荐解释，告诉用户为什么会有这些推荐，并且给用户提供调整推荐结果的机会，以增加用户的信任和满意度。
用户偏好分析算法研究与应用
用户偏好分析算法研究与应用第一章：导言随着电商平台的普及，越来越多的商家开始对用户偏好进行分析，以便更好地针对不同用户群体提供商品和服务。
用户偏好分析算法在这种背景下应运而生，并迅速成为社交网络、电商平台、新闻媒体等行业中不可或缺的技术手段。
本文将介绍用户偏好分析算法的研究与应用。
第二章：用户偏好分析算法2.1 协同过滤算法协同过滤算法是目前应用最广泛的用户偏好分析算法之一。
它基于用户行为、商品属性、关注度等信息，通过分析相似用户的偏好信息，为用户推荐商品。
协同过滤算法可以分为基于邻居的协同过滤和基于矩阵分解的协同过滤两类。
2.2 决策树算法决策树算法将用户行为与商品属性建立关联，通过构建决策树模型，根据不同的分支条件，对商品进行分类，为用户推荐商品。
2.3 聚类算法聚类算法基于相似度度量，将用户划分到不同的群体中，然后分析每个群体的偏好信息，为不同的用户群体提供相应的商品和服务。
2.4 深度学习算法深度学习算法基于神经网络，在协同过滤、决策树和聚类等算法的基础上，引入深度学习的理论和算法，对用户偏好信息进行分析和挖掘，以提供更加准确的商品推荐服务。
第三章：用户偏好分析算法的应用3.1 社交网络随着社交网络的发展，用户偏好分析算法在社交网络中的应用日趋广泛。
例如，微博、微信等社交网络平台利用用户信息及历史行为，对用户进行分析，为用户提供更加准确、个性化的服务。
3.2 电商平台电商平台是用户偏好分析算法广泛应用的领域之一。
通过分析用户的购物历史、收藏、评价等信息，可以更好地为不同的用户群体提供商品和服务。
3.3 新闻媒体新闻媒体在用户偏好分析算法方面的应用也日趋普及。
通过分析用户点击、阅读、分享等信息，可以更好地为用户提供个性化的信息服务。
第四章：用户偏好分析算法的发展趋势4.1 多算法融合多算法融合是当前用户偏好分析算法的发展趋势之一。
由于不同的算法在不同的场景下有各自的优劣势，多算法融合可以更好地利用不同算法的优点，提高推荐的准确性和实用性。
《基于用户兴趣点的协同过滤推荐算法研究》
《基于用户兴趣点的协同过滤推荐算法研究》一、引言随着互联网技术的迅猛发展，网络信息呈爆炸式增长，用户面临着信息过载的问题。
在这样的背景下，推荐系统应运而生，其目的是根据用户的兴趣和需求，为其提供个性化的信息和服务。
协同过滤作为推荐系统中的一种重要技术，通过分析用户的行为数据和兴趣偏好，实现个性化推荐。
本文将重点研究基于用户兴趣点的协同过滤推荐算法。
二、协同过滤推荐算法概述协同过滤是一种利用用户的行为数据和兴趣偏好进行推荐的技术。
它通过分析用户的历史行为、购买记录、浏览记录等信息，找出与目标用户兴趣相似的其他用户，然后根据这些相似用户的喜好和行为，为目标用户提供个性化的推荐。
协同过滤推荐算法主要包括基于用户的协同过滤和基于项目的协同过滤两种。
三、基于用户兴趣点的协同过滤推荐算法基于用户兴趣点的协同过滤推荐算法是一种以用户为中心的推荐方法。
它首先分析用户的历史行为和兴趣偏好，提取出用户的兴趣点，然后根据这些兴趣点找出与目标用户兴趣相似的其他用户。
最后，根据相似用户的喜好和行为，为目标用户提供个性化的推荐。
（一）算法原理该算法的核心思想是“物以类聚，人以群分”。
它通过分析用户的兴趣点，将具有相似兴趣点的用户归为一类，然后根据目标用户的兴趣点，找出与之相似的用户群体。
最后，根据这些相似用户的喜好和行为，为目标用户提供个性化的推荐。
（二）算法步骤1. 用户兴趣点提取：通过分析用户的历史行为和偏好，提取出用户的兴趣点。
这些兴趣点可以包括用户浏览的商品、购买的商品、搜索的关键词等。
2. 相似度计算：计算目标用户与其他用户的兴趣相似度。
这可以通过计算用户兴趣点的余弦相似度、皮尔逊相关系数等方法实现。
3. 生成推荐列表：根据相似度结果，找出与目标用户兴趣相似的其他用户。
然后，根据这些相似用户的喜好和行为，为目标用户生成个性化的推荐列表。
4. 推荐结果评估：通过用户反馈、点击率、购买率等指标，对推荐结果进行评估和优化。
基于用户偏好模型的推荐算法研究
基于用户偏好模型的推荐算法研究一、概述推荐算法是近年来非常热门的研究领域，其目的是根据用户的历史行为数据和其他信息，预测用户可能感兴趣的内容或产品，并进行推荐，从而提高用户满意度和平台利润。
而用户偏好模型则是推荐算法中非常重要的一个组成部分。
本文将以基于用户偏好模型的推荐算法为研究对象，介绍其原理和应用，以及当前的研究进展。
二、用户偏好模型的基本概念用户偏好模型是指根据用户的历史行为和其他信息，构建用户的兴趣和喜好模型。
这个模型可以是一个数学模型，也可以是一棵树形结构，其目的是为推荐算法提供预测用户兴趣的依据。
常见的用户偏好模型包括协同过滤、基于内容过滤、混合过滤等。
1.协同过滤协同过滤是推荐系统中比较常见的一种方法，它基于用户历史行为数据，寻找与用户兴趣相似的其他用户，然后根据这些用户的行为记录，推荐给目标用户可能感兴趣的内容或产品。
协同过滤的核心思想是“群体智慧”，即利用大量用户行为数据，寻找共同点，从而预测用户的兴趣。
2.基于内容过滤基于内容过滤是根据用户浏览历史和一些标签信息等，建立用户兴趣模型。
通过对比用户的兴趣模型和物品的属性，选择与之匹配度高的推荐给用户。
此方法在数据量较少时表现良好，且具有一定的自适应性。
3.混合过滤将协同过滤和基于内容过滤两种方式结合，称之为混合过滤。
混合过滤算法基于用户的历史行为数据和用户兴趣模型，从而推荐给用户物品。
此分类器的优点是利用了两种不同的推荐技术，并将结果优化得更好。
三、推荐算法的实现推荐算法的实现包括两个步骤：特征提取和模型训练。
其中特征提取是指通过分析用户和物品的历史行为记录以及其他信息（如物品标签、用户个人信息等），提取出代表用户兴趣和物品性质的特征向量。
而模型训练则是指通过机器学习算法，构建用户兴趣模型和物品性质模型，并将二者结合起来进行个性化推荐。
四、推荐算法的评价指标在推荐算法的研究中，评价指标是非常重要的。
常见的评价指标包括准确率、召回率、覆盖度、新颖度等。
基于用户兴趣的推荐算法研究与实现
基于用户兴趣的推荐算法研究与实现随着互联网的发展和普及，人们对于信息的获取和处理需求越来越强烈，尤其是在面对海量信息的时候。
因此，如何利用用户兴趣为基础，对信息进行精准推荐，成为了一个备受研究者关注的问题。
本文将从什么是用户兴趣、用户兴趣如何获取、用户兴趣与推荐算法、推荐算法的实现等几个方面来深入探讨基于用户兴趣的推荐算法。
一、用户兴趣是什么？用户兴趣是指用户在各个领域、方面、时间、空间等因素影响下，对于某些特定事物或信息的认同、追求、关注等心理状态。
根据用户兴趣的不同，可划分为个人兴趣、社交兴趣、时事兴趣等。
而对于不同平台、应用来说，用户兴趣也会存在一定的差异，这就需要推荐算法能够精准地获取用户的兴趣。
二、如何获取用户兴趣？用户兴趣的获取有许多方式，很多原始数据都可以被转化成用户兴趣。
主要包括以下几种：1. 历史行为数据：包括用户的搜索历史、点击历史、转化历史等信息，这些信息可以反映出用户的兴趣爱好、性格特点等。
2. 人工标记数据：是在对信息进行处理或整理时，由人工为信息打上标签或分类，例如豆瓣电影的分类标签、新浪微博的话题标签等。
3. 基于用户画像的数据：是根据用户的基本信息（如年龄、性别、地域、职业等）推断出用户的兴趣和偏好，例如人群画像分析模型。
三、用户兴趣与推荐算法用户兴趣是推荐系统的基础。
根据用户兴趣的多样性、时效性和复杂性，现有的推荐算法可以分为以下三类：1. 基于内容的推荐算法：主要是通过分析用户过去的行为、喜好和静态属性来推断出用户潜在的喜好，利用信息的元数据进行推荐。
2. 协同过滤算法：主要是利用多个用户相对行为模式的相似性，来推荐与用户兴趣相近的物品。
3. 深度学习算法：主要通过对用户和物品的深度学习处理，进行推理和推荐。
四、推荐算法的实现推荐算法的实现需要综合考虑很多因素，例如数据量、数据质量、算法性能等。
具体地讲，需要用到以下技术：1. 数据预处理：对数据进行清理、去重、过滤、转换等操作，去除噪声、异常值、缺失值等。
基于社交网络的用户偏好分析与推荐研究
基于社交网络的用户偏好分析与推荐研究社交网络服务已经成为当今信息社会中不可缺少的组成部分。
人们在社交网络中交流、分享、互动，也在其中产生、存储大量的个人数据，这些数据被广泛应用于各种服务中，如广告投放、商品推荐、个性化推荐等。
本文旨在深入探讨基于社交网络的用户偏好分析与推荐研究，以期更好地理解和应用这些数据。
一、用户偏好分析的基础用户偏好是指用户对一些事物的好恶选择，是由用户的个人因素、社会环境等多种因素综合影响所形成的。
在社交网络中，用户通过发布、互动来表达自己的偏好，比如点赞、评论、分享等操作。
这些操作产生了大量的数据，通过对这些数据的分析可以了解用户的喜好，从而提供个性化服务。
因此，用户偏好分析是推荐系统中非常重要的一环。
二、社交网络中的用户偏好分析社交网络平台常常采集用户的行为数据，这些数据反映了用户的兴趣、偏好和行为特征等。
下面列举几种常见的用户偏好分析方法。
1. 基于用户兴趣标签的分析用户在社交网络上标注自己喜欢的话题，如音乐、电影、美食等。
对于这些标签，可以通过聚类分析的方法，将用户分为具有相似兴趣的群体，从而可针对不同的群体提供不同的个性化推荐服务。
2. 基于用户社交关系的分析在社交网络中，用户之间建立了好友关系，形成了一个社交图谱。
通过社交图谱，可以分析用户的社交圈子及其成员，这些信息对于推荐系统中的个性化推荐非常有用。
3. 基于用户行为轨迹的分析社交网络平台可以通过跟踪用户的页面浏览、评论、喜欢等操作来分析用户行为，通过行为分析，可以了解用户的行为习惯和偏好，进而为用户提供个性化的推荐服务。
三、社交网络中的推荐算法推荐算法主要分为基于内容的推荐算法、协同过滤算法、混合推荐算法等。
在社交网络中，由于用户产生了丰富的行为数据，所以推荐算法的应用范围更为广泛。
下面介绍几种在社交网络中常见的推荐算法。
1. 基于社交关系的推荐算法社交网络中用户之间存在好友关系，基于此，可以构建用户的社交图谱。
基于用户标签的社交推荐算法研究
基于用户标签的社交推荐算法研究社交推荐算法是指利用用户的历史操作数据和特征信息，为用户推荐与其兴趣相关的内容和用户。
随着社交网络的普及，推荐系统在社交网络中的应用，成为了当前研究的热点之一。
其中，基于用户标签的社交推荐算法变得越来越受到广泛的关注和研究。
一、算法的研究背景随着社交网络用户数量的飞速增加，用户与社交网络之间的关系复杂多样、信息量庞大，进行信息过滤和推荐，成为了必要的需求。
传统的协同过滤算法无法很好的解决社交网络推荐的问题。
而基于用户标签的推荐算法就能很好地解决这类问题。
通过分析和挖掘用户标签信息，推荐相应内容，能更好地满足用户需求，提升用户体验和社交网络的价值。
二、算法研究的意义基于用户标签的推荐算法逐渐成为社交网络推荐的主流算法。
无论是在电商、新闻、娱乐、or社交等领域，都有着广泛的应用和意义。
首先，在推荐的过程中，能有效的降低推荐对象的过载，避免用户被大量垃圾信息所困扰。
其次，在社交网络中，用户标签是由用户自己定义的，更符合用户的选择和兴趣，能更好地代表用户的行为和需求。
最后，社交网络的用户量大，信息质量高，推荐算法能够利用模型挖掘用户行为，更好地满足用户需求。
三、算法研究内容基于用户标签的推荐算法主要分为以下几个步骤：1.收集用户标签数据在社交网络中收集用户标签数据是推荐系统的第一步。
用户标签是由用户自己定义的，包括兴趣、爱好、行业等多方面的内容。
越多的标签数据能够收集，越能够更好的表征用户，提高推荐的质量。
2.标签关联矩阵的构建针对用户标签数据，构建标签关联矩阵，包括用户与标签的关联矩阵和标签与标签的关联矩阵。
其中，用户与标签的关联矩阵反映了用户喜欢的标签以及标签的权重，标签与标签的关联矩阵反映了标签间进行推荐时的相关度。
3.推荐算法推荐算法是基于标签关联矩阵进行的。
推荐算法主要有两种：基于关联度的推荐算法和基于隐语义模型的推荐算法。
基于关联度的推荐算法主要是通过权重来计算标签间的关联度，并通过标签间的关联度来计算推荐结果。
- 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)。
Recommendation algorithm based on user preference optimization model
Qiu Ningjiaa, b, He Zhuanga, Wang Penga, Li Yanfanga
(a. School of Computer Science & Technology, b. Institute of Computer& Information Technology, Changchun University of Science & Technology, Changchun 130022, China) Abstract: Traditional personalized recommendation algorithm generally suffers from the problem of data sparseness, which affects the accuracy of recommendation. The Slope one algorithm is simple and efficient, but the algorithm is only based on the user - project score matrix to analyze the data, ignoring the type characteristics of the project and the user's preference for the type of the project. In order to solve the above problems, the LR-Slope one algorithm is proposed. Firstly, the user's preference matrix is constructed based on user project score matrix and project type information. Secondly, the weight of each type is calculated by linear regression model and optimized by random gradient descending algorithm. Finally, the score is predicted combined by Slope one, and the scoring matrix is filled, which improves the quality of recommendation. Experimental results show that the proposed algorithm improves the accuracy of recommendation and alleviates data sparseness effectively. Key words: recommendation algorithm; Slope one; user preferences; score prediction 针对数据稀疏性，许多学者提出基于降维技术的稀疏性问 题解决方法，如主成分分析[3]/奇异值分解[4.5]、NMF[6.7] 。杜茂 康等人 [8] 首先对用户已经评论过的数据进行聚类，然后结合 Slope one 算法来对未评分项目进行预测填充；张俊等人[9]提出 引入专家信任度的概念对用户未评分项目进行评分预测填充； 郭娣等人 [10] 利用流行度降维的混合推荐方法对对数据矩阵进 行精简；赵长伟等人[11]提出了一种混合显式属性与隐式属性的 矩阵分解算法，使用显式属性的相关性对因子矩阵进行约束 , 能够抑制稀疏数据矩阵分解中过拟合的问题,提高推荐精度； 潘 骏驰等人[12] 引入用户可信度的概念 , 提出一种改进的奇异值分 解算法，算法同时考虑了用户的信任信息、被信任信息以及各
录用定稿
邱宁佳，等：基于用户偏好优化模型的推荐算法研究
第 36 卷第 12 期
自的隐性反馈，有效提高了推荐准确度；李倩等人[13]提出基于 谱聚类与多因子融合的协同过滤推荐算法，将 FCM 聚类融入 到谱聚类算法的关键步骤，从而对相似度进行改进，提升了推 荐性能；于阳等人
[14]
‘-’代表没有评分，5 代表最高分。可以看出这个评分矩阵是 一个稀疏矩阵，根据这个稀疏矩阵进行预测评分来进行推荐， 显然推荐的精准性不高。 1.2 Slope one 推荐算法 Slope one 算法是基于 Item-Based 的协同过滤推荐算法， 基 本思想是利用用户的历史评分数据和偏好的平均值来预测用户 对新物品的偏好值，其原理是两个物品的偏好值之间存在某种 线性关系，可以由物品 x 的偏好值估算出用户对新物品的偏好 值，从而计算两两物品之间的平均偏好值成为计算关键。 Slope one 算法主要步骤如下： a)计算同时被评分的两两物品之间的评分差的均值，记为 物品间的评分偏差。
[16]
提出一种基于用户相似性的加权 Slope one 算法，
首先筛选出活跃用户，据项目间相似性填充评分矩阵，有效地 缓解了数据稀疏性问题。 上述方法在一定程度上缓解了数据稀疏性的问题，但是存 在算法的计算复杂度较高，在数据量庞大和更新的速率比较快 的情况下，不能有效地解决实时推荐的问题。Slope one 算法是 Lemire 等人[17]提出的一种协同过滤推荐算法， 该算法具有简单、 高效、推荐精确，在实时推荐上具有优势等优点。但是冷启动 和数据稀疏等问题制约了其发展。 针对 Slope one 算法没有考虑项目本身类型特征， 仅仅使用 用户的评分作为推荐数据基础依据等问题，本文通过用户对类 型的喜爱程度构建用户—类型偏好矩阵获得用户对类型的权重， 对每个用户评分采用优化后的权值进行调整，使预测评分更精 确，补全用户—评分矩阵，从而缓解数据稀疏性问题。
—————————— 收稿日期： 2018-07-13； 修回日期： 2018-08-28
基金项目： 吉林省重大科技招标项目 （20170203004GX） ； 吉林省产业技术研究与开发专项项目 （2016C090） 鹏（1973-），男，内蒙古包头人，教授，硕导，博士，主要研究方向为大数据､
作者简介：邱宁佳（1984-），男，河南南阳人，讲师，博士，主要研究方向为数据挖掘､大数据分析等（qiunj@）；何壮（1986-），男（满 族），吉林长春人，硕士研究生，主要研究方向为大数据､数据挖掘；王 数据挖掘；李岩芳（1965-），女，教授，博士，主要研究方向为数据库､数据挖掘､软件工程､信息系统．
点，但该算法只是根据用户—项目评分矩阵进行数据分析，对所有用户采用一致性的权重进行计算，忽视了用户对项 目类型的喜好程度。针对上述问题进行了研究，提出 LR-Slope one 算法。首先根据用户—项目评分矩阵和项目类型信 息构建用户对项目类型的偏好矩阵；然后利用线性回归模型计算用户对每个类型的权重，采用随机梯度下降算法优化 权重；最后结合 Slope one 算法预测评分，填充评分矩阵，提高推荐的质量。实验结果表明，所提算法提高了推荐的精 度，有效缓解了稀疏性问题。 关键词：推荐算法；Slope one；用户偏好；评分预测 中图分类号：TP391 doi: 10.3969/j.issn.1001-3695.2018.07.0433
Pij
u N i
r
Nj
ui
ruj
基于用户偏好优化模型的推荐算法研究 ———————————————————————————————————————————————— 发布日期 引用格式 2018 年 10 月 10 日 邱宁佳 , 何壮 , 王鹏 , 李岩芳 . 基于用户偏好优化模型的推荐算法研究 [J/OL]. 2019, 36(12). [2018-10-10]. /article/02-2019-12-065.html.
————————————————————————————————————————————————
基于用户偏好优化模型的推荐算法研究
作者 机构 DOI 基金项目 邱宁佳，何壮，王鹏，李岩芳 长春理工大学 计算机科学技术学院；长春理工大学 计算机与信息技术研究所 10.3969/j.issn.1001-3695.2018.07.0433 吉 林 省 重 大 科 技 招 标 项 目 （ 20170203004GX ） ；吉林省产业技术研究与开发专项项目 （2016C090） 预排期卷 摘要 《计算机应用研究》 2019 年第 36 卷第 12 期 传统的个性化推荐算法普遍存在数据稀疏性问题，影响了推荐的准确度。Slope one 算法具 有简单、高效等特点，但该算法只是根据用户—项目评分矩阵进行数据分析，对所有用户采 用一致性的权重进行计算，忽视了用户对项目类型的喜好程度。针对上述问题进行了研究， 提出 LR-Slope one 算法。首先根据用户—项目评分矩阵和项目类型信息构建用户对项目类 型的偏好矩阵；然后利用线性回归模型计算用户对每个类型的权重，采用随机梯度下降算法 优化权重；最后结合 Slope one 算法预测评分，填充评分矩阵，提高推荐的质量。实验结果 表明，所提算法提高了推荐的精度，有效缓解了稀疏性问题。 关键词 作者简介 推荐算法；Slope one；用户偏好；评分预测 邱宁佳（1984-） ，男，河南南阳人，讲师，博士，主要研究方向为数据挖掘､大数据分析等 （qiunj@） ；何壮（1986-） ，男（满族） ，吉林长春人，硕士研究生，主要研究方 向为大数据､数据挖掘；王 鹏（1973-） ，男，内蒙古包头人，教授，硕导，博士，主要研究 方向为大数据､数据挖掘；李岩芳（1965-） ，女，教授，博士，主要研究方向为数据库､数据 挖掘､软件工程､信息系统． 中图分类号 访问地址 投稿日期 修回日期 TP391 /article/02-2019-12-065.html 2018 年 7 月 13 日 2018 年 8 月 28 日