计算机科学 2017年 日要 bernina a)Movielens (lM, train=0. 60 b)Movielens(IM) 雪 (c)Movielens(IM), train=0. 80 图6NDCG@10,FRR@10在 Movielens(1M数据集上的选代过程数据 从图5、图6可以看出,测试NDCG和ERR在训练过程 现[].计算机工程与设计,2014,35(1):130-143. 的开始快速收敛,经过几次迭代后收敛速度变慢。高学习率6] GOLDBERG D, NICHOLS D, OKI B M, et al. Using collabora- 的训练过程收敛速度快于低学习率的训练过程,但前者得到 tivefilteringtoweaveaninformationtapestry[j].communica 的NDCG和ERR更低。这表明本文提出的模型在低学习率 ns of the acm,1992,35(12):61-70 下具有更好的泛化能力 [7] TANG J, WU S, SUN J M, et al. Cross-domain collaboration 结束语用户的人口统计数据反映了用户的部分基本情 recommendation[C]// Proceedings of the 18th ACM SIGKDD 况,可以作为判断用户偏好的依据,因此本文在传统的基于用 International Conferen Knowledge Discovery and Data Mining. USA, ACM, 2012: 1285-1293 户的协同过滤算法基础上,将人口统计数据与HAP用户聚 类推荐算法相结合,提出推荐效果更优的方法。实验分析表[8] BURKE R. Hybrid recommender systems: Survey and exper ments[J]. User Modeling and User-adapted Interaction, 2002 明,与传统的协同过滤算法相比,本文方法误差更小,有更好 的推荐效果,为协同过滤推荐算法的应用研究提供了参考。[9] JIAO D J. Collaborative filtering algorithm based on user demo- 参考文献 graphics and expert opinions [J]. Computer Engineering &Scien ce,2015,37(1):179-183.( in Chinese) [1] ZHU YY, SUN J Recommender System: Up to Now [].Jour- 焦东俊基于用户人口统计与专家信任的协同过滤算法[].计 nal of Frontiers of Computer Science and Technology, 2015, 9 算机工程与科学,2015,37(1):179-183 (5):513-525.( in Chinese) [10 ZHANG C, CHEN G, WANG H M Recommendation Model Based 朱扬勇孙婧.推荐系统研究进展[.计算机科学与探索,2015, on Blending Recommendation Technology [J]. Computer Engi- 9(5);513525. neerIng,2010,36(22):248-250,253.( in Chinese) [2 SUN T H, LI A N, LI M, et al. Study on distributed improved 张驰,陈刚,王慧敏基于混合推荐技术的推荐模型[J].计算机 clustering collaborative filtering algorithm based on Hadoop[]. L程,2010,36(22):248250,253 Computer Engineering and Applications, 2015, 51(15)1 124-128. [11 HE J Y, MA B. Based on Real-Valued Conditional Restricted Boltzmann Machine and Social Network for Collaborative Filte- 孙天昊,黎安能,李明,等基于Hadp分布式改进聚类协同过 ring]. Chinese Journal of Computers, 2015, 38(1):183-195 滤推荐算法研究[]计算机工程与应用,2015,51(15):124 (in Chinese) 128. 何洁月,马贝,利用社交关系的实值条件受限玻尔兹曼机协同过 [3 LI G J. CHENG X Q Research Status and Scientific Thinking of 滤推荐算法[].计算机学报,2015,38(1):183-195 Big Data[J]. Bulletin of Chinese Academy of Sciences, 2012, 27 [12] WU H C, WANG X J, CHENG Y, et al. Advanced Recommen- (6): 647-657(in Chinese) dation Based on Collaborative Filtering and Partition Clustering 李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大 UJ]. Journal of Computer Research and Development, 2011,48 战略领域一大数据的研究现状与科学思考[].中国科学院院 (Suppl. ):205-212. (in Chinese) 刊,2012,27(6):647657. 吴泓辰,王新军,成勇,等.基于协同过滤与划分聚类的改进推荐 [4] MENG X W, JI W Y, ZHANG Y J. A survey Recommendation 算法[J].计算机研究与发展,2011,48( Suppl.)205212 Systems in Big Data[J] Journal of Beijing University of Posts [13] XU W, DUAN F Combining clustering and collaborative filte- and Telecommunications, 2015, 38(2): 1-15. (in Chinese) ring for implicit recommender system[J]. Computer Engineering 孟祥武,纪威宇,张玉洁大数据环境下的推荐系统[].北京邮 and Design, 2014, 35(12):4181-4185 (in Chinese) 电大学学报,2015,38(2):1-15 许伟段富聚类与协同过滤相结合的隐式推荐系统[].计算机 [5] LI W H, XU S R Design and implementation of recommenda- 工程与设计,2014,35(12):4181-4185. tion system for E-commerce on Hadoop[J]. Computer Enginee- [14] LU Z M, FENG J G, FAN D M,et al. Novel partitional cluste- ring and Design, 2014, 35(1): 130-143. (in Chinese) ring algorithm for large data processing[J]. System Engineering 李文海,许舒人.基于 Hadoop的电子商务推荐系统的设计与实 and Electronics, 2014, 36(5):1010-1015(in Chinese)68 计 算 机 科 学 2017矩 “71 0 7 063 0血 05g 057 ％ 0 10 ∞ ∞ 40 5o Iteration (a)Movielens(1M)，train=O．60 哥 learning rate=~ 6 △ l舶rⅡ rate=001 白 k时n珥 rate=O．(]5 l口 learning rate=~l m _岫 ntF OD05 △ k∞1liDg rate=~01 口 kIm'蛳 mte=0~6 母 l衄tn rate=O．1 ㈣ Q7t n72 030 0瑚 ％ O 咖 ram=O．O~ △ learmngmte=D．0] 0 l鞲托 rate=(~05 母 km lh堰 rote=0．1 JO 2o 3D 椰 s0 Iteration (b)Movielens(1^D ，train=O．60 0 l0 2o ∞ ．1o 50 0 l0 2D 30 柏 50 Iteration Iteration (c)Movidens(1M)ttrain=O．80 (d)Movielens(1M )。train=O．80 kafn_啦 f^ =0 △ I目lr ngrgte~Dl 哥 h rning rate-~105 廿 lesrning rate~0-1 从 图 5、图 6可 以看 出，测试 NDCG和 ERR在训 练过程 现EJ]．计算机工程与设计。2014，35(1)：130-143． 的开始快速收敛 ，经过几 次迭代后 收敛速度 变慢 。高 学 习率 [6] GOLDBERGD，NICHOLSD，OKIBM，eta1．Usingcollabora一 的训练过程收敛速度快于低学习率的训练过程，但前者得到 tirefilteringtOweaveaninformationtapestry[J]·Communica- 的NDCA~和 ERR更低。这表明本文提出的模型在低学习率 tionsoftheACM，1992，35(12)：61—70· 下具有更好的泛化能力。 [] 1 J，wu s，sL JM，eal·Cmsda玎 nco1laborati0n 结束语 用户的人口统计数据反映了用户的部分基本情 recomme． nda ，tC]∥Proceedin，gso，fhe hAcM ：! 登 ，里查 传统的萋璺 ： ：琶。 嘶 户的协同过滤算法基础上，将人 口统计数据与 HAP用户聚 [8] BLII R d’。 帅 ：s rvy nd 。)【p 一 类推荐算法相结合，提出推荐效果更优的方法。实验分析表 ment[J]Iu Mod。lingndu。 daptIml二。ti。，22， 明，与传统的协同过滤算法相比，本文方法误差更小，有更好 12(4)：331-370 的推荐效果，为协同过滤推荐算法的应用研究提供了参考。 [9] JIAODJ． Coilaborativefilteringalgorithm basedonuserdemo- 参 考 文 献 gmpmcSndxpen。pinion。 puter 咖ng [1] ZHUYY，SUNJ．RecommenderSystem：UptONow口]．Jour- 焦东俊．基于用户人口统计与专家信任的协同过滤算法口]．计 (5)：513—525．(inChinese) [10]ZHANGC，CHENG，WANG H M Recommer~tionModelBased 朱扬勇 ，孙婧．推荐系统研究进展 口]．计算机科学 与探索 ，2015， on~endingRecommendationTechnology[J]．ComputerEngi一 9(5)：513—525． neering，2010，36(22)：248-250，253．(inChinese) [2] SUNT H，LIA N，LIM，eta1．Studyondistributedimproved 张驰 ，陈剐，王慧敏．基于混合推 荐技术 的推 荐模 型[J]．计算 机 孙天吴 ，黎安能 ，李明 ，等．基于 Hadoop分布式改进 聚类协 同过 ring[J]．ChineseJournalofComputers，2015，38(1)：183—195． 128． 何沽月 ，马贝．利用社交关系 的实值条件受限玻尔兹曼机协同过 [3] LIGJ，CHENGXQ ResearchStatusandScientificThinkingof 滤推荐算法 [J]．计算 机学报 ，2015，38(1)：183—195． BigData[J]．BulletinofChineseAcademyofSciences，2012，27 [12]wU H C，WANGX J。CHENG Y，etaLAdvanced Reeommen- (6)：647—657．(inChine~) dationBasedonCollaborativeFilteringan dPartitionClustering 李国杰 ，程学旗．大数据研究 ：未来科 技及经济社 会发展 的重大 I-J]．JournalofComputerResearchandDevelopment，2011，48 战略领 域一 大数据 的研究现状 与 科学 思考 [J]．中国科学 院院 (Supp1．)：205—212．(inChinese) [41 M日NGXW ，jIW Y，ZHANG Y J．A surveyRecommendation 算法[刀．计算机研究与发展 ，2011，48(Supp1．)：205—212． andTelecommunications，2015，38(2)：1-15．(inChinese) ring forimplicitrecommendersystem [J]．ComputerEng ineering 孟祥武，纪威宇，张玉洁．大数据环境下的推荐系统口]．北京邮 andDesign，2014，35(12)：4181—4185．(inChinese) 电大学学报 ，2015，38(2)：1-15． 许伟 ，段 富．聚类与协同过滤相结合 的隐式 推荐 系统[J]．计算机 tionsystemforE-commerceonHadoop[J]．ComputerEnginee- [14] LU ZM ，FENG JG，FAN D M，eta1．Novelpartitionalcluste- 01 备 嘴蛳 晰％啪帆啷咐嘛 0_【雎 ㈣ ％器 0_I曲西uz