基于隐马尔科夫模型的融合推荐算法

计算机与现代化

基于隐马尔科夫模型的融合推荐算法

扬州大学信息工程学院，江苏扬州225127

收稿日期:2015-04-22 出版日期:2015-09-21 发布日期:2015-09-24
作者简介:杨安驹(1990-)，男，江苏扬州人，扬州大学信息工程学院硕士研究生，研究方向：推荐算法；杨云(1957-)，男，江苏扬州人，教授，博士，硕士生导师，研究方向：无线网络QoS路由协议，推荐算法。
基金资助:
国家自然科学基金资助项目(61003180/F020509)；江苏省自然科学基金资助项目(BK2010683)

Fusion Recommendation Algorithm Based on Hidden Markov Models

College of Information Engineering, Yangzhou University, Yangzhou 225127, China

Received:2015-04-22 Online:2015-09-21 Published:2015-09-24

摘要/Abstract

摘要：

针对传统的基于项目的协同过滤推荐算法中数据稀疏问题，以及受时间效应影响推荐准确度较低问题，提出将隐马尔科夫模型与传统的基于项目的协同过滤推荐算法相融合的推荐算法HMM-

ItemCF。算法通过隐马尔科夫模型对系统中所有用户的评分行为，与目标用户的历史评分行为进行统筹分析，找到一批用户下一时刻概率最高的评分对象，并将这些评分对象发生概率与传统的项目相似

度计算方法相加权得到新的相似度，最终产生推荐结果。仿真实验中对算法的重要参数进行训练，并与其他算法进行对比，证明改进后的算法是有效的。

关键词: 协同过滤, 数据稀疏, 时间效应, 隐马尔科夫

Abstract:

In view of the problems of the traditional collaborative filtering recommendation algorithm based on the project of data sparseness and the low accuracy of

recommendation, the thesis puts forward the HMM-ItemCF recommendation algorithm which combines Hidden Markov Model with the traditional collaborative filtering recommendation

algorithm based on the project. The algorithm using Hidden Markov Model to all the users in the system evaluation behavior and the history of the target user behavior to carry

on the overall analysis, to find the probability of the next moment a group of users with the highest score object, and the probability of occurrence of these scores with

traditional objects project weighted similarity calculation method to get a new recommendation similarity ultimately produce results. The simulation experiment is carried out on

the algorithm with an important parameter in the training, and compared with other algorithms. It proves that the improved algorithm is effective.

Key words: collaborative filtering, sparse data, time effect, Hidden Markov

杨安驹，杨云，周嫒嫒，闵玉涓，秦怡. 基于隐马尔科夫模型的融合推荐算法[J]. 计算机与现代化.

YANG An-ju, YANG Yun, ZHOU Yuan-yuan, MIN Yu-juan, QIN Yi. Fusion Recommendation Algorithm Based on Hidden Markov Models[J]. Computer and Modernization.

参考文献

［1］ Breese J S, Heckerman D, Kadie C, et al. Empirical analysis of predictive algorithms for collab-orative filtering［C］// Proceedings of the 14th Conference on Uncertainty in

Artificial Intelligence (UAI ’98). 1998:43-52.
［2］ Dietmar Jannach, Markus Zanker, Alexander Felfernig, et al. Recommender Systems An Introduction［M］. Britain: Cambridge University Press, 2010.
［3］ Lü Linyuan, Medo M, Yeung C H, et al. Recommender systems［J］. Physics Reports, 2012,519(1):1-49.
［4］林德军. 基于Slope One改进算法推荐模型的设计与实现［D］. 北京:北京邮电大学, 2013.
［5］段利国，陈俊杰. 综合句法结构及语义相似度的问题推荐技术［J］. 计算机科学, 2012,39(1):203-206.
［6］陈克寒，韩盼盼，吴健. 基于用户聚类的异构社交络推荐算法［J］. 计算机学报, 2013,36(2):349-359.
［7］邓爱林，左子叶，朱扬勇. 基于项目聚类的协同过滤推荐算法［J］. 小型微型计算机系统, 2004,25(9):1665-1670.
［8］ Lopez-Lopez L M, Castro-Schez J, Vallejo-Fernandez D, et al. A recommender system based on a machine learning algorithm for B2C portals［C］// Proceedings of the 2009

IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology(WI-IAT’09). 2009:524-531.
［9］罗恒. 基于协同过滤视角的受限玻尔兹曼机研究［D］. 上海:上海交通大学, 2011.
［10］Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition［J］. Proceedings of the IEEE, 1991,77(2):257-285.
［11］Baum L E. An inequality and associated maximization technique in statistical estimation of probabilistic functions of Markov processes［J］. Inequalities, 1972,3(1):1-8.


［12］项亮. 推荐系统实践［M］. 北京:人民邮电出版社, 2012.
［13］Du Zhanle. The relationship between prediction accuracy and correlation coefficient［J］. Solar Physics, 2011,270(1):407-416.
［14］朱郁筱，吕琳媛. 推荐系统评价指标综述［J］. 电子科技大学学报, 2012,41(2):163-175.

[1]	刘国丽, 徐洪楠, 谭有倩. 结合专家信任的协同过滤推荐算法研究[J]. 计算机与现代化, 2022, 0(11): 60-68.
[2]	文勇军, 何环晶, 唐立军, . 基于LDA的隐式标签协同过滤推荐算法[J]. 计算机与现代化, 2022, 0(03): 53-58.
[3]	耿化聪, 梁宏涛, 刘国柱. 基于知识图谱与协同过滤的饮食推荐算法[J]. 计算机与现代化, 2021, 0(08): 24-29.
[4]	黄皓, 陈荔. 基于信息熵和改进相似度协同过滤算法[J]. 计算机与现代化, 2021, 0(06): 29-34.
[5]	石朋, 姚文明, 王祥. 融合用户模糊聚类和相似度的加权Slope One优化[J]. 计算机与现代化, 2021, 0(01): 70-75.
[6]	崔鑫. 基于异构信息网络的推荐系统[J]. 计算机与现代化, 2020, 0(12): 13-19.
[7]	陈卓, 李鑫, 杜军威, 袁玺明. 面向化工企业事故的根原因关联分析[J]. 计算机与现代化, 2020, 0(10): 1-6.
[8]	徐建鹏, 徐祥, 王晖, 伍琼, 王杰. 基于用户行为和新闻时效性的农业信息协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(07): 6-10.
[9]	崔雯迪, 段鹏飞, 朱红强, 刘娜. 攻击图与HMM工业控制网络安全风险评估[J]. 计算机与现代化, 2020, 0(07): 32-37.
[10]	李一野1，2，邓浩江1，2. 基于改进余弦相似度的协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(01): 69-.
[11]	姜书浩1，2，张立毅1，2，周娜1. 基于用户偏好动态变化的协同过滤推荐[J]. 计算机与现代化, 2020, 0(01): 75-.
[12]	郑策1,2,尤佳莉1,2. 电影推荐系统中基于图的协同过滤算法[J]. 计算机与现代化, 2019, 0(11): 38-.
[13]	谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, 2019, 0(09): 65-.
[14]	陈峙宇1,2,3,吕坦悦2,王菲2,段震伟2 . 基于众包的图片标注系统[J]. 计算机与现代化, 2019, 0(08): 112-.
[15]	饶钰，陈光，邱天. 一种改进的均方差协同过滤算法[J]. 计算机与现代化, 2019, 0(04): 6-.