泰迪华南杯数据挖掘竞赛论文报告总结
研究背景与意义
随着互联网信息过载时代的到来，推荐系统成为解决信息筛选问题的关键工具，尤其在电子商务领域，个性化推荐技术对提升用户体验和商家效益具有重要意义。协同过滤作为应用最广泛的推荐技术，其核心在于利用用户间的相似性进行推荐。
协同过滤推荐技术概述
协同过滤推荐技术主要分为基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤通过寻找与目标用户兴趣相似的用户群体，根据这些相似用户的评价来预测目标用户的兴趣。本文重点研究基于用户的协同过滤算法在电影推荐系统中的应用。
基于用户协同过滤推荐算法
基于用户协同过滤算法的实现主要包括三个步骤：
- 建立用户模型：将用户对项目的评分数据构建为用户-评分矩阵。
- 寻找最近邻居：通过计算用户间的相似度，确定与目标用户兴趣最接近的邻居用户。
- 产生推荐项目：根据邻居用户的评分预测目标用户对未评分项目的兴趣，并推荐评分最高的项目。
相似度计算方法
- 余弦相似性：通过计算用户评分向量的夹角余弦值来衡量用户间的相似度。
- 相关相似性（Pearson相关系数）：通过计算用户评分的差异程度来衡量用户间的相似度。
- 基于用户评分次数的相似性：考虑用户评分的频率和一致性来计算相似度，以过滤掉评分行为差异较大的用户。
算法推荐质量的实验分析
评价指标
采用平均绝对偏差（MAE）作为评价推荐质量的主要指标，MAE值越小，推荐质量越高。
实验数据集
使用MovieLens数据集进行实验，该数据集包含943名用户对1682部电影的评分，数据集已分为训练集和测试集。
实验结果分析
- 余弦相似性：随着最近邻居集数量的增加，MAE值逐渐减小，推荐质量有所提升。
- 相关相似性：一般情况下，相关相似性的推荐质量优于余弦相似性。
- 基于用户评分次数的相似性：虽然MAE值较高，但计算时间较短。
研究结论
- 在一定范围内，增加最近邻居集数量可以提高推荐质量。
- 相比余弦相似性，相关相似性在推荐质量上表现更优。
- 基于用户评分次数的相似性方法在计算效率上具有优势，但推荐质量略逊。
总结
基于用户的协同过滤推荐算法在电影推荐系统中具有较好的应用效果。通过实验分析，本文验证了不同相似度计算方法的优劣，并得出增加最近邻居集数量可以提高推荐质量的研究结论。未来研究可以进一步优化算法，提升推荐效率和准确性。
