2023年7月29日发(作者：)

基于协同过滤与目标函数优化的多样性增强推荐算法实现

互联网通信技术和社会化媒体的大力发展使得每个人既可以是信息的接收者，也可以是信息的创造者。本文着重介绍了目前应用最为广泛的协同过滤技术，并在协同过滤算法实现的基础上，利用一些通用的开源数据集以及常见的评估指标对算法实现的效果做展示和分析，以完成对解决推荐系统的精确性与多样性两难问题的探讨。

标签：协同过滤、二次优化、多样性

一、基于协同过滤的推荐算法

1.基于用户的协同过滤

基于用户的协同过滤算法是目前应用广泛且效率较高的一种个性化推荐算法。它主要基于3 个假设。[1]

（1）用户是可分的。

（2）用户对不同商品的评价包含了用户的兴趣信息。

（3）用户对未知商品的评价将和同类用户的评价相似。

算法通过分析用户对项目的历史行为数据（如评分、购买、浏览等），生成与当前用户行为、兴趣最相近（对相同产品有历史行为）的用户集，然后利用他们对其他一些项目的评分来预测当前用户对那些项目的评分，从而产生推荐列表。

2.基于项目的协同过滤

经过前述基于用户的协同过滤算法后获得的推荐候选列表，进一步做基于项目的协同过滤。其算法过程与前面相似，不过相似度的计算是针对推荐候选列表中的项目以及目标用户历史已接触过的项目集合。主要步骤如下。

（1）输入准备。同上一节相反。向量表示中的每个评论过项目的用户对该项目的评分。

（2）针对项目的最近搜索。同上一节相似，仍然利用上述相似度计算公式，但是计算结果为项目与项目的相似度。

（3）推荐产生。同上一节相似，将上述推荐候选列表中每个项目与目标用户的评分向量进行相似度计算后排序，获取前Top-K个项目作为推荐结果。但是为了后续推荐结果的筛选，本文在这里的算法实现不会进行取K个的操作，而