信息推荐系统实验分析的结果

(1)数据集与评价指标

实验以某高校数字图书馆的数据为例，该校数字图书馆借阅系统约有2.1万个用户，14.5万册的图书数据，包含用户评论记录约80000条。本节从该原始评分数据集中随机抽取了评分次数较多的用户与项目作为本次实验的数据集，并对信息不全的用户进行筛选，最终的实验集包括4000个用户对6700余部图书资源的近1万条评分记录。图书馆用户数据的类型包括用户的个人信息(年龄、性别、专业等)、图书资源信息、偏好图书类目、项目评分信息(即用户对图书进行1～5的打分)、用户打分时的时间戳以确定与该服务相关联的两种情境属性:当日时间段、周(工作日、周末、寒暑假等)。

实验具体评价指标主要包括:平均绝对偏差MAE、准确率PL、召回率RL、　覆盖率Coverage。各指标的含义与计算方法具体如表8-11所示。其中，u为目标用户，i为图书项目，n为用户总数，Lu为用户u的推荐列表，Bu为测试集中u评分为正(满意)的图书，{pi｜i＝1，2，…，N}为算法预测得出的用户评分集合，{qi｜i＝1，2，…，N}为实际用户评分集合。

表8-11　实验采用的评价指标

(2)实验结果与分析

为验证提出模型与方法的有效性，特选择传统的协同过滤推荐、传统上下文过滤方法与之进行平均绝对偏差MAE、准确率PL、召回率RL、覆盖率Coverage测试结果的对比，对比结果如图8-8与图8-9所示。(www.xing528.com)

图8-8　推荐方法的MAE比较

在图8-8的实验过程中，分别赋予了最近邻居(Nearest neighbors)不同数值(图8-8中横坐标50～250)，通过对Nearest neighbors数目的变化对上述三种算法MAE值的变化情况进行比较，其推荐结果表明，随着Nearest neighbors数目的不断增多，融合画像的协同过滤推荐算法的MAE值逐渐减小，且该值减小的幅度趋于增大；而与传统的协同过滤推荐、传统上下文过滤方法的比较结果也显示，本节算法的MAE值明显小于上述三种传统推荐方法，表明本节推荐算法比传统推荐算法的误差更小，推荐结果更符合用户的需求。图8-9的实验结果为三种方法的准确率PL、　召回率RL、　覆盖率Coverage测试结果比较，可以看出，融合画像的推荐方法相较于传统的协同过滤推荐、传统上下文过滤方法获得了更高的准确率、召回率与覆盖率。究其原因，主要是本节方法可在较大程度上有效缓解协同过滤(Collabrative Filtering，CF)推荐的数据稀疏性问题，这是因为在海量数据环境下，移动数字图书馆用户成员评分的稀疏性会导致许多用户没有或极少有共同评分的项目，因此在使用传统CF推荐时很难进行有效的挖掘，推荐的准确性大大降低。本节模型更好地将用户自然属性标签、兴趣属性标签、行为属性标签与情境属性标签融入推荐过程中，改善了由评分数据稀疏而导致的搜索难题，因此有效缓解了海量数据环境下移动数字图书馆用户评分数据稀疏导致的冷启动问题。

图8-9　推荐方法的PL、　RL、　Coverage比较