协同过滤推荐中基于用户分类的邻居选择方法,张 尧，冯玉强 计算机应用研究 年月,ppt制作：赵方瑜,协同推荐中基于用户购买历史,由于存在不可信用户，导致推荐结果不可信,1.基于信任网络的推荐方法 2通过某些特征分析用户的可信性 3.将某一用户分为有推荐能力和无推荐能力 4.从用户的特征和兴趣角度对系统过滤进行研究,基于用户分类的邻居选择方法,研究框架,三大维度：用户的相似性、专家型、可信性,对经验用户、可信用户、相似用户的主观态度,得到N个最有价值的用户,产生个性化推荐,用户相似度（皮尔逊相关系数）,用户共同评价项目越多，越倾向于相似，但实际上用户共同评价项目不多,对传统算法的改进,用共同评价的数量占各自全部评价数量的比重代替共同评价数量,共同评价项目占各自评价历史比重越高，则用户之间的兴趣度越相似,用户可信度计算,用户u所有评价的项目集合,项目i的平均得分,m个项目的平均评分的平均分,系数，可以提高推荐算法查准率,稀疏程度不同的数据集，采取不同的,用户专家值,用户,熟练用户,专家用户,拥有大量与产品有关经验的用户,在某一领域有较高活跃度且有准确预测评分能力的用户,项目,n个领域,用户在领域上的专家值：,用户的专家值：,用户u在领域i上的活跃度,评价项目集合,用户预测的准确度：,用户对的预测评分：,预测评分,实际评分,用户主观意愿估计,评论贡献度,5,产生推荐,在对用户主观意愿估计后，利用式（）进行效用计算，得到对用户效用最高的前个邻居的购买集合，计算每种商品出现的次数，并对商品集合按照出现次数降序排列，从集合中取前个商品作为推荐项目。,实验,数据来源：京东商城； 用户数名； 商品件 评价方法：标准F1方法（将查全率与查准率相综合）,查全率（） 查准率（）,查全率与查准率,test 测试数据集 top-N 推荐结果集 |testtop-N| 系统给出的正 确推荐结果数量,邻居数量对F1值的影响,1.在对用户综合评价的基础上所引入的推荐用户显著提高了推荐的质量 2.用户对专家型用户依赖较强,查全率达到极值的速度比查准率慢是因为邻居专家值权重比邻居相似值大,可信性验证（K-means方法),降序排列 ,升序排列 ,结论,本文提出了协同过滤推荐中基于用户分类的邻居选择方法，根据专家型用户、可信性用户与兴趣相似用户三个维度所产生的邻居选择权重来产生推荐结果，提高了推荐的准确度。,