”的“远近”,只取最近的K个项目作为其邻居,如图3-3中的A所示。基于相似度阈值的邻居(Threshold-based neighborhoods)[22]:采用相似度最大值的限制,将距离控制在以K为半径的区域中来选取邻居,这种方法计算得到的邻居个数不确定,但相似度不会出现较大的误差,如图3-3中B所示。Р3.2.4 预测评分Р预测评分是协同过滤推荐系统最为关键的一个步骤,基于相似性度量计算出用户或者物品的最近子集产生后,再根据其评分加权聚合得到当前用户的评分预测和推荐列表。设用户的最近邻集合为,为用户和用户的相似度。计算预测评分如公式(3-6)。Р(3-6)Р协同过滤推荐算法的学习是本课题的基础,深入理解协同过滤推荐算法的思想和计算步骤,认识到协同过滤推荐算法的不足,并对其中的一些不足进行改进。只有将这部分的知识完全掌握,才能将矩阵分解技术与协同过滤推荐算法进行结合,克服其自身的缺点。Р3.3 推荐系统评测指标Р个性化推荐系统的推荐质量是由对其推荐结果进行评估后确定的,即推荐结果与用户的需求是否相匹配。因此,如何度量个性化推荐系统的推荐质量,以怎样的标准进行评价,也是协同过滤推荐算法研究的一个重要方向。协同过滤推荐算法评测标准主要有[23]平均绝对误差(MAE)、均方根误差(RMSE)、查准率(Precision)和查全率(Recall)等指标。РMAEРMAE [25]计算了所有预测评分与真实评分误差值的绝对值和的平均值,故它可以衡量推荐算法的预测评分与真实评分之间的平均差异,它的数值越小,说明预测的准确度越高,MAE 的定义如下:Р(3-7)Р是用户对物品的实际评分,是推荐算法给出的预测评分,为用户进行打分物品的个数。РRMSEРRMSE[25] 计算了所有预测评分与真实评分误差值的平方和的平均值的根值,它的值越小,说明算法的预测准确度越高,它的定义如下:Р(3-8)
全文预览
