基于用户兴趣概念格约简的推荐评分预测算法

doi:10.11772/j.issn.1001-9081.2022121839

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (11): 3340-3345.DOI: 10.11772/j.issn.1001-9081.2022121839

• 2022年全国开放式分布与并行计算学术年会(DPCS 2022) • 上一篇

基于用户兴趣概念格约简的推荐评分预测算法

赵学健¹(), 李豪², 唐浩天²

^1.邮政大数据技术与应用工程中心（南京邮电大学），南京 210003
^2.南京邮电大学现代邮政学院，南京 210003

收稿日期:2022-12-07 修回日期:2023-01-18 接受日期:2023-02-01 发布日期:2023-11-14 出版日期:2023-11-10
通讯作者: 赵学健
作者简介:赵学健（1982—），男，山东临沂人，副教授，博士，主要研究方向：数据挖掘、无线传感器网络 zhaoxj@njupt.edu.cn
李豪（1999—），男，江苏扬州人，硕士研究生，主要研究方向：数据挖掘
唐浩天（2001—），男，四川阿坝人，硕士研究生，主要研究方向：数据挖掘。
基金资助:
国家自然科学基金资助项目(61672299);中国博士后科学基金资助项目(2018M640509)

Recommendation rating prediction algorithm based on user interest concept lattice reduction

Xuejian ZHAO¹(), Hao LI², Haotian TANG²

^1.Technology and Application Engineering Center of Postal Big Data （Nanjing University of Posts and Telecommunications），Nanjing Jiangsu 210003，China
^2.School of Modern Posts，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210003，China

Received:2022-12-07 Revised:2023-01-18 Accepted:2023-02-01 Online:2023-11-14 Published:2023-11-10
Contact: Xuejian ZHAO
About author:ZHAO Xuejian， born in 1982， Ph. D.， associate professor. His research interests include data mining， wireless sensor network.
LI Hao， born in 1999， M. S. candidate. His research interests include data mining.
TANG Haotian， born in 2001， M. S. candidate. His research interests include data mining.
Supported by:
National Natural Science Foundation of China(61672299);China Postdoctoral Science Foundation(2018M640509)

摘要/Abstract

摘要：

数据稀疏性制约了推荐系统的性能，而合理填充评分矩阵中的缺失值可以有效提升预测的准确性。因此，提出一种基于用户兴趣概念格约简的推荐评分预测（RRP-CLR）算法。该算法包含近邻选择和评分预测两个模块，分别负责生成精简最近邻集合和实现评分预测及推荐。近邻选择模块将用户评分矩阵转化为二进制矩阵后作为用户兴趣形式背景，提出了形式背景约简规则和概念格冗余概念删除规则，以提高生成精简最近邻的效率；在评分预测模块利用新提出的用户相似度计算方法，消除用户主观因素造成的评分差异对相似度计算的影响，而且当两个用户共同评分项目数小于特定阈值时，适当缩放相似度，使用户间的相似度与真实情况更吻合。实验结果表明，与使用皮尔逊相关系数的基于用户的协同过滤推荐算法（PC-UCF）及基于用户兴趣概念格的推荐评分预测方法（RRP-UICL）相比，RRP-CLR算法的平均绝对误差（MAE）和均方根误差（RMSE）更小，具有更好的评分预测准确率和稳定性。

关键词: 推荐系统, 评分预测, 概念格, 稀疏性, 精简最近邻

Abstract:

The performance of the recommendation systems is restricted by data sparsity， and the accuracy of prediction can be effectively improved by reasonably filling the missing values in the rating matrix. Therefore， a new algorithm named Recommendation Rating Prediction based on Concept Lattice Reduction （RRP-CLR） was proposed. RRP-CLR algorithm was composed of nearest neighbor selection module and rating prediction module， which were respectively responsible for generating reduced nearest neighbor set and realizing rating prediction and recommendation. In the nearest neighbor selection module， the user rating matrix was transformed into a binary matrix， which was regarded as the user interest formal background. Then the formal background reduction rules and concept lattice redundancy concept deletion rules were proposed to improve the efficiency of generating reduced nearest neighbors. In the rating prediction module， a new user similarity calculation method was proposed to eliminate the impact of rating deviations caused by user’s subjective factors on similarity calculation. When the number of common rating items of two users was less than a specific threshold， the similarity was scaled appropriately to make the similarity between users more consistent with the real situation. Experimental results show that compared with PC?UCF （User-based Collaborative Filtering recommendation algorithm based on Pearson Coefficient） and RRP-UICL （Recommendation Rating Prediction method based on User Interest Concept Lattice）， RRP-CLR algorithm has smaller Mean Absolute Error （MAE） and Root Mean Squared Error （RMSE）， and better rating prediction accuracy and stability.

Key words: recommendation system, rating prediction, concept lattice, sparsity, reduced nearest neighbor

中图分类号:

TP391

赵学健, 李豪, 唐浩天. 基于用户兴趣概念格约简的推荐评分预测算法[J]. 计算机应用, 2023, 43(11): 3340-3345.

Xuejian ZHAO, Hao LI, Haotian TANG. Recommendation rating prediction algorithm based on user interest concept lattice reduction[J]. Journal of Computer Applications, 2023, 43(11): 3340-3345.

图/表 6

表1 用户评分矩阵SRM

Tab. 1 User rating matrix SRM

用户	$i 1$	$i 2$	$i 3$	$i 4$	$i 5$	$i 6$	$i 7$	$i 8$	$i 9$
$u 1$		2		3		5		1
$u 2$	4		3		5		3		2
$u 3$		2		2		5
$u 4$		2						1	5
$u 5$	3	3	2	4			4		4
$u 6$	5		1	5			5	1
$u 7$	3				4	4			3

表1 用户评分矩阵SRM

Tab. 1 User rating matrix SRM

用户	$i 1$	$i 2$	$i 3$	$i 4$	$i 5$	$i 6$	$i 7$	$i 8$	$i 9$
$u 1$		2		3		5		1
$u 2$	4		3		5		3		2
$u 3$		2		2		5
$u 4$		2						1	5
$u 5$	3	3	2	4			4		4
$u 6$	5		1	5			5	1
$u 7$	3				4	4			3

表2 二进制矩阵SBM

Tab. 2 Binary matrix SBM

用户	$i 1$	$i 2$	$i 3$	$i 4$	$i 5$	$i 6$	$i 7$	$i 8$	$i 9$
$u 1$	0	1	0	1	0	1	0	1	0
$u 2$	1	0	1	0	1	0	1	1	0
$u 3$	0	1	0	1	0	1	0	0	0
$u 4$	0	1	0	0	0	0	0	1	1
$u 5$	1	1	1	1	1	0	1	0	1
$u 6$	1	0	1	1	0	0	1	1	0
$u 7$	1	0	0	0	1	1	0	0	1

表2 二进制矩阵SBM

Tab. 2 Binary matrix SBM

用户	$i 1$	$i 2$	$i 3$	$i 4$	$i 5$	$i 6$	$i 7$	$i 8$	$i 9$
$u 1$	0	1	0	1	0	1	0	1	0
$u 2$	1	0	1	0	1	0	1	1	0
$u 3$	0	1	0	1	0	1	0	0	0
$u 4$	0	1	0	0	0	0	0	1	1
$u 5$	1	1	1	1	1	0	1	0	1
$u 6$	1	0	1	1	0	0	1	1	0
$u 7$	1	0	0	0	1	1	0	0	1

图1 概念格CL

Fig. 1 Concept lattice CL

图2 精简概念格CL'

Fig. 2 Reduced concept lattice CL'

图3 MAE对比分析

Fig. 3 Comparative analysis of MAE

图4 RMSE对比分析

Fig. 4 Comparative analysis of RMSE

参考文献 20

1	刘华锋，景丽萍，于剑. 融合社交信息的矩阵分解推荐方法研究综述［J］. 软件学报， 2018， 29（2）：340-362. 10.13328/j.cnki.jos.005391
	LIU H F， JING L P， YU J. Survey of matrix factorization based recommendation methods by integrating social information［J］. Journal of Software， 2018， 29（2）： 340-362. 10.13328/j.cnki.jos.005391
2	LIU L， DU X， ZHU L， et al. Learning discrete hashing towards efficient fashion recommendation［J］. Data Science and Engineering， 2018， 3（4）：307-322. 10.1007/s41019-018-0079-z
3	GAO D， TONG Y， SHE J， et al. Top-k team recommendation and its variants in spatial crowdsourcing［J］. Data Science and Engineering， 2017， 2（2）： 136-150. 10.1007/s41019-017-0037-1
4	WANG C D， DENG Z H， LAI J H， et al. Serendipitous recommendation in e-commerce using innovator-based collaborative filtering［J］. IEEE Transactions on Cybernetics， 2019， 49（7）： 2678-2692. 10.1109/tcyb.2018.2841924
5	SRIVASTAVA R， PALSHIKAR G K， CHAURASIA S， et al. What’s next？ A recommendation system for industrial training［J］. Data Science and Engineering， 2018， 3（3）： 232-247. 10.1007/s41019-018-0076-2
6	ADOMAVICIUS G， TUZHILIN A. Toward the next generation of recommender systems： a survey of the state-of-the-art and possible extensions［J］. IEEE Transactions on Knowledge and Data Engineering， 2005， 17（6）： 734-749. 10.1109/tkde.2005.99
7	BREESE J S， HECKERMAN D， KADIE C. Empirical analysis of predictive algorithms for collaborative filtering［C］// Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence. San Francisco： Morgan Kaufmann Publishers Inc.， 1998： 43-52.
8	WANG J， DE VRIES A P， REINDERS M J T. Unifying user-based and item-based collaborative filtering approaches by similarity fusion［C］// Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2006： 501-508. 10.1145/1148170.1148257
9	郭兰杰，梁吉业，赵兴旺. 融合社交网络信息的协同过滤推荐算法［J］. 模式识别与人工智能， 2016， 29（3）：281-288. 10.16451/j.cnki.issn1003-6059.201603010
	GUO L J， LIANG J Y， ZHAO X W. Collaborative filtering recommendation algorithm incorporating social network information［J］. Pattern Recognition and Artificial Intelligence， 2016， 29（3）： 281-288. 10.16451/j.cnki.issn1003-6059.201603010
10	张俊，刘满，彭维平，等. 融合兴趣和评分的协同过滤推荐算法［J］. 小型微型计算机系统， 2017， 38（2）：357-362.
	ZHANG J， LIU M， PENG W P， et al. Collaborative filtering recommendation algorithm based on fusion interest and score［J］. Journal of Chinese Computer Systems， 2017， 38（2）：357-362.
11	TAHERI S M， MAHYAR H， FIROUZI M， et al. Extracting implicit social relation for social recommendation techniques in user rating prediction［C］// Proceedings of the 26th International Conference on World Wide Web Companion. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 1343-1351. 10.1145/3041021.3051153
12	SONG K， GAO W， SHI F， et al. Recommendation vs sentiment analysis： a text-driven latent factor model for rating prediction with cold-start awareness［C］// Proceedings of the 26th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2017： 2744-2750. 10.24963/ijcai.2017/382
13	LI Y， LIU J， REN J， et al. A novel implicit trust recommendation approach for rating prediction［J］. IEEE Access， 2020， 8：98305-98315. 10.1109/access.2020.2997040
14	CHEN H， SUN H， CHENG M， et al. A recommendation approach for rating prediction based on user interest and trust value［J］. Computational Intelligence and Neuroscience， 2021， 2021： No.6677920. 10.1155/2021/6677920
15	PURKAYSTHA B， DATTA T， ISLAM M S， et al. Rating prediction for recommendation： constructing user profiles and item characteristics using backpropagation［J］. Applied Soft Computing， 2019， 75：310-322. 10.1016/j.asoc.2018.11.018
16	TANG J， ZHANG X， ZHANG M， et al. A neural joint model for rating prediction recommendation［J］. Journal of Computational Methods in Sciences and Engineering， 2020， 20（4）：1127-1142. 10.3233/jcm-204226
17	JI S， YANG W， GUO S， et al. Asymmetric response aggregation heuristics for rating prediction and recommendation［J］. Applied Intelligence， 2020， 50（5）： 1416-1436. 10.1007/s10489-019-01594-2
18	YANG Z， ZHANG M. TextOG： a recommendation model for rating prediction based on heterogeneous fusion of review data［J］. IEEE Access， 2020， 8： 159566-159573. 10.1109/access.2020.3020942
19	ZHOU D， HAO S， ZHANG H， et al. Novel SDDM rating prediction models for recommendation systems［J］. IEEE Access， 2021， 9： 101197-101206. 10.1109/access.2021.3097207
20	朵琳，杨丙. 一种基于用户兴趣概念格的推荐评分预测方法［J］. 小型微型计算机系统， 2020， 41（10）： 2104-2108. 10.3969/j.issn.1000-1220.2020.10.014
	DUO L， YANG B. Recommendation rating prediction based on user interest concept lattice［J］. Journal of Chinese Computer Systems， 2020， 41（10）： 2104-2108. 10.3969/j.issn.1000-1220.2020.10.014

[1]	刘源, 董永权, 贾瑞, 杨昊霖. 面向个性化课程推荐的分层分期注意力网络模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2358-2363.
[2]	叶坤佩, 熊熙, 丁哲. 基于领域融合和时间权重的招工推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2133-2139.
[3]	孙浩, 曹健, 李海生, 毛典辉. 基于改进胶囊网络的会话型推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1043-1049.
[4]	姚华勇, 叶东毅, 陈昭炯. 考虑多粒度反馈的多轮对话强化学习推荐算法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 15-21.
[5]	周嘉凡, 杜岳峰, 宋宝燕, 李晓光, 赵阿珠, 肖绪界. 基于元路径注意力机制的MOOC视频推荐方法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1808-1813.
[6]	王利娥, 李小聪, 刘红翼. 融合知识图谱和差分隐私的新闻推荐方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1339-1346.
[7]	蒋雯静, 熊熙, 李中志, 李斌勇. 基于无采样协作知识图网络的推荐系统[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1057-1064.
[8]	顾军华, 王锐, 李宁宁, 张素琪. 融合协同过滤信息的知识图注意力网络[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1087-1092.
[9]	陈露, 张晓霞, 于洪. 基于先验知识的非负矩阵半可解释三因子分解算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 671-675.
[10]	刘忠慧, 王梓宥, 闵帆. 近似概念的遗传生成算法及其推荐应用[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 412-418.
[11]	刘欢, 李晓戈, 胡立坤, 胡飞雄, 王鹏华. 基于知识图谱驱动的图神经网络推荐模型[J]. 计算机应用, 2021, 41(7): 1865-1870.
[12]	林怿星, 唐华. 基于异构信息网络的混合推荐模型[J]. 计算机应用, 2021, 41(5): 1348-1355.
[13]	骆锦潍, 刘杜钢, 潘微科, 明仲. 基于改进的倾向得分估计的无偏推荐模型[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3508-3514.
[14]	李改, 李磊, 张佳强. 融合显/隐式反馈的社会化协同排序推荐算法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3515-3520.
[15]	陈宪聪, 潘微科, 明仲. 面向异构单类协同过滤的阶段式变分自编码器[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3499-3507.

基于用户兴趣概念格约简的推荐评分预测算法

Recommendation rating prediction algorithm based on user interest concept lattice reduction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 20

相关文章 15

编辑推荐

Metrics