基于用户坐标距离与误差修正的推荐算法

推荐系统是一种根据用户历史行为、社交关系等信息去判断用户感兴趣的物品的智能系统，它可以有效的解决互联网信息过载的问题，因此具有重要的研究意义和广泛应用价值。为了解决推荐算法存在准确性有待提升和可扩展性不足的问题，本文提出了一种带有相似性选择和误差修正的用户坐标与评分距离推荐算法。该算法首先基于用户间相似性筛选出正相关的邻居，针对筛选后的邻居集合计算评分距离。然后建立用户间评分距离的合成坐标模型，与得到的用户坐标间距离进行评分预测。最后基于训练题设计误差修正算法，进一步提升预测准确度。通过本文算法与其他推荐算法在MovieLens数据集上进行对比，试验结果表明，该算法可以有效提高推荐算法的预测准确性和可扩展性。研究揭示了利用用户坐标距离进行预测的可行性，为进一步研究推荐系统的性能提升和运行机理提供了有效的依据。

推荐系统目前已经成为各类在线平台或在线应用的不可或缺的一部分。随着互联网接入在全球范围内的普及，消费者的选择呈指数级增长。尽管这允许多种选择和更广泛的选择，但将消费者的偏好与最合适的产品相匹配变得越来越困难[1]。系统试图通过分析消费者偏好并尝试预测用户对新商品的偏好来改变这种情况。推荐系统有着广泛的应用，如：在拥有大量产品的消费者网站中，为消费者提供可能感兴趣的产品的有针对性的信息；或者设计营销策略，用于预测产品的受欢迎程度[2]。

目前推荐系统包括基于内容的推荐、基于协同过滤的推荐、基于知识的推荐和混合推荐[3]。

基于内容的推荐算法[4]主要根据物品的相关信息、用户的相关信息和用户对物品的行为来构建推荐算法。基于内容的推荐算法一般只依赖于用户自身的行为为用户提供推荐，不涉及到其他用户的行为。

基于协同过滤的推荐算法是一种广泛应用的推荐算法， 它主要依赖用户的历史行为数据来进行推荐。

这种算法可以进一步分为基于记忆的协同过滤算法(Memory-based Collaborative Filtering)和基于模型的协同过滤算法(Model-based Collaborative Filtering) [5]。基于记忆的协同过滤算法无论是基于物品[6]还是基于用户[7]，核心都是计算相似性，基于相似用户更容易做出相似的评分行为，相似的物品更容易获得相似的评分[8]。基于模型的协同过滤算法包括聚类模型[9]、矩阵分解模型[10]、神经网络[11]等，核心是建立物品和用户的模型表示，并利用训练好的模型来进行预测和推荐。

基于知识的推荐算法是将已知的数据进行专家知识进行建模和抽象，结果作为知识系统存储，并在用户提出需求时通过约束条件加以筛选，进行推荐[12]。

混合推荐算法是综合上述各种类型的推荐算法，用以提高推荐性能，或是满足不同推荐需求，其混合方案包括：加权型、交叉型、切换型、瀑布型、特征组合型、特征增强型等[13]。