第 卷 第 ３５ ５ Ｖｏｌ．３５Ｎｏ．５ 期 周口师范学院学报 Ｊｏｕｒｎａｌ　ｏｆ　Ｚｈｏｕｋｏｕ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ ２０１８ 年 ９ 月 Ｓｅｐｔ．２０１８ 一种针对群体的列表融合推荐算法 马远坤，崔永锋，赵中原 （周口师范学院，河南 周口 ４６６００１） 　 要：对于群组推荐来说，生成一个公共接受程度很高的推荐列表是一项很艰难的任务 摘 传 统 的 组 推 荐 算 法 ． 在生成推荐列表的时候通常只考虑组员对项目的排名 或 者 评 分 ，因 此 考 虑 的 因 素 相 对 片 面 提 出 了 一 种 新 的 ． 列表融合算法，同时兼顾了组员对项目的排名和评分两种 因 素 实 验 表 明，ＨＡａＢ ． 算 法 的 推 荐 效 果 明 显 ＨＡａＢ 要好于传统的组推荐算法 关键词：个性化推荐；组推荐；列表融合 中图分类号：ＴＰ３９１．１　　 ＤＯＩ：１０．１３４５０／ｊ．ｃｎｋｉ．ｊｚｋｎｕ．２０１８．０５．０２６ ． 文献标志码：Ａ　　 文章编号：１６７１－９４７６（２０１８）０５－００９６－０４ 简介 １　 近年来 推荐系统逐渐成为人们在海量数据中 ， 在 目 前 的 研 究 发现有 价 值 信 息 的 重 要 工 具 ［１－２］． 实 中 大部分的推荐 算 法 是 针 对 单 独 用 户 设 计 的 ， ， 际中还有很多 应 用 是 针 对 多 人进 行 推 荐 ［３］， 例 如 ， 在 针对多人的电视节目推荐 ［２］或者旅游地点推荐 ． 根据适合单独用户的推荐算法无法给 这些情景下 ， 因为一个用户满意的推 多人产生满意的推荐结果 ， 荐结果对 其 他 人 来 说 很 可 能 不 是 太 好 的 选 择 因 ． 如何选择推荐内容使群组内每个组员都满意或 此 ， 者接受是面向群组 的 推 荐 算 法 需 要 解 决 的 主要 难 题 目 前 群 组 推 荐 算 法 的 用 户 ， 满意度比较差 研 究 满 足 群 组 中 每 个 组员 兴 趣的推荐算法是很有必要的 正是由于 这 个 难 题 ． 因 此 ， ， ． 相关工作 ２　 当前群组推荐算法可以归为两类 ［３－４］： 基于群 组兴趣模型的推荐 算 法 和 基 于 列 表 融 合 的 推荐 算 法 本节仅分析和 ， 比较现有的基于列表融合的推荐算法 目前使用最 ． 多的 基 于 列 表 融 合 的 推 荐 算 法 主 要 有 笔者提出的算法属于后者 ． 因此 ， Ａｖｅｒａｇｅ Ａｇｇｒｅｇａｔｉｏｎ 算法和 算法 Ｂｏｒｄａ ． 在对电视节目 的 群 组 推 荐 中 提 出 了 Ｍａｓｔｈｏｆｆ 使 用 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 策 略 和 Ｌｅａｓｔ　Ｍｉｓｅｒｙ ． ；Ｌｅａｓｔ　Ｍｉｓｅｒｙ 策略来对 群 组 内 每 个 用 户 的 推 荐 列 表 进 行 融 合 策略将组员对某个项目的平 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 均评分作为群组对该项目的组评分 然后将组评分 ， 较高的项目作为群组的推荐内容 策 略将群组内所有组 员 对 某 个 项 目 评 分 的 最 低 分 作 为群组对该项目的组评分 然后将组评分较高的项 ， 目作为群组的推荐内容 这两种算法充分考虑了组 ． 员的评分因素 在推荐时平衡了组员之间的兴趣差 ， 异 该算法使 ， 用项目在组内每个 组 员 推 荐 列 表 中 的 平 均 排 名 来 决定其组评分的 大 小 组 评 分 就 越 高 平 均 排 名 越 高 ．Ｃｏｐｐｅｒｓｍｉｔｈ 等人研究了 Ｂｏｒｄａ 算法 ， ， ． 和 等 人 ［４］对 比 了 和 Ｌｉｎａｓ Ｔａｄａｓ Ｌｅａｓｔ　Ｍｉｓｅｒｙ Ａｖｅｒａｇｅ　Ａｇ－ ［３－４］等 一 些 常 见 ｇｒｅｇａｔｉｏｎ，Ｂｏｒｄａ 的算法 发现在不同的群组规模或群组内部相似度 ， 群组 的情况下 ， 在 推荐的效果并不一定随着组规模的增加而降低 ， 某些情况下 组推荐的效果超过了给独立用户推荐 ， 的效果 没有一种算法效果是最优的 ， 此外 ． ． 根据 上 面 算 法 介 绍 可 以 得 出 结 论 算 法 和 Ｌｅａｓｔ　Ｍｉｓｅｒｙ Ａｇｇｒｅｇａｔｉｏｎ 目在组员推荐列表中的排名因素 了每个组员给 项 目 的 评 分 因 素 可避免地存在着推荐精度上的丢失 ；Ｂｏｒｄａ 因 此 ． ， ． ：Ａｖｅｒａｇｅ 算 法 忽 略 了 项 算法忽略 这 些 算 法 不 收稿日期：２０１８－０３－１８；修回日期：２０１８－０６－０５ 基金项目：国家自然科学基金项目 （Ｎｏ．Ｕ１５０４６０２） 作者简介：马远坤（１９８９－ ），男，河南周口人，硕士，助教，研究方向：大数据分析、机器学习 ． 

第 卷 第 期 ５ ３５ 马远坤 等 ， 一种针对群体的列表融合推荐算法 ： 　　　 ７９ ３　ＨＡａＢ 融合算法 算法和 融 合 算 法 为了克服 算法的局限性 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 笔 者 提 出 了 ， Ｂｏｒｄａ （Ｈｙ－ 该 算 法 算法进行了 兼顾了组员推荐列表中项目排名和项目评分 ， ｂｒｉｄ　ｏｆ　Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ　ａｎｄ　Ｂｏｒｄａ）， 对 融合 两种因素 融合算法的实现步骤如下 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 算法和 ＨＡａＢ Ｂｏｒｄａ ．ＨＡａＢ ． ３．１　 的 推 荐 算 法 等 基于内容的推荐算法 ： 每个组员生成推荐列表 使用任意一种推荐算法 比如说 多 ， 基于奇异值 分 解 法 、 组员的推荐精度越高 越高 者对基于项目的协同过滤算法 滤算法 基于内容的推荐算法 、 生成每个组员的推荐列表 首先使用针对独立用户的推荐算法给群组中 本步骤中的推荐算法可以 ． 目前流行的推荐算法有很 ． 协同过滤推荐算 、 对 单 个 （ＳＶＤ） ． 最终对群组推荐的精度也就 ， 笔 基于用户的协同过 、 最近邻分类算法 、 推荐算法等几种最流行的推 荐 算 推 荐 算 法 和 得 出 结 论 为 但是在 算 法 ； 基于 ． 推荐算法 ［５］来为每 个 组 员 因此在 选 择 对 单 个 组 员 的 推 荐算 法 之 前 ． ：ＳＶＤ 算法的推荐结果最为精确 Ｓｌｏｐｅ　Ｏｎｅ、ＳＶＤ 法进 行 了 比 较 ， 算法消耗内存太大 ，Ｓｌｏｐｅ　Ｏｎｅ 笔者选择 、Ｋ ， Ｓｌｏｐｅ　Ｏｎｅ 资源占用方面 该结论 生成推荐列表 ， ＳＶＤ ３．２　 组员推荐列表融合 算法对每个项目计算群组中每个组员对其的 预测评分之和作为列表融合策略的一个影响因素 同时也计算每个项 目 在 群 组 中 每 个 组 员 推 荐列 表 由于项目评分 中的排名之和作为另一个影响因素 ． 和项目排名对结果的影响程度可能不同 因此加入 ， 一个参数来调整项 目 评 分 和 项 目 排 名 对 结 果的 影 响权重 如 下 公 式 定 义 了 项 目 ． 组评分的计算方法 以使 结 果 达 到 最 优 ， ； ： ． ｐｕｉ ∑ｕ∈ｇ λ 对项目 Ｓｃｏｒｅｇ（ｉ）＝∑ｕ∈ｇ ，Ｓｃｏｒｅｇ（ｉ） 对项目 ｒｕｉ ＋ 代表群组 的评分 其中 ｇ 表用户 ，ｐｕｉ 的 推荐列表中的排名 是平衡参数 目排名和项目评分对结果的影响权重 ，λ ｕ ｉ ｉ 代表项目 （１） 代 的评分 ，ｒｕｉ 在用户 ｉ ｕ 用来调整项 ， （１） 公式 把组员推荐列表中项目的评分和排名 该融合 ． 对于不同内 ， 最优的 值 ， 值使推荐结果在任何情 所以需要通过实验获得在每种情 ， 两个因素进行融合得到群组对项目的评分 策略中对结果起关键作用的是 的值 部相似度的组或者不同规模的组来说 往往不同 况下都是最优的 况 主要考虑组 内 相 似 度 和 组 规 模 两个 因 素 （ 由于没有一个 ． 下 λ λ λ ） λ ． 的最优值 的 然后在每种情况下使用在该情况下最优 ， 笔 者 称 这 个 改 进 后 的 算 法 为 值来 进 行 推 荐 ， λ ＨＡａＢ 算法 ． 实验与分析 ４　 为了验证 算 法 的 性 能 第一套实验主要分析不同 ． ＨＡａＢ 第 二 套 实 验 主 要 对 比 ； 套实验 响 算法的效果 介绍实验的设置和结果 ＨＡａＢ 验证 ， ， 笔 者 设 计 了 两 值对结果的影 λ 算 法 和 当 前 典 型 下面 详 细 ． ＨＡａＢ 算法的有效性 ． 实验设置 实验数据 ４．１　 ４．１．１　 本实验中使用的数据集是 其中 有 大 约 ， ３　９００ 据集 条评分记录 １　０００　２０９ 分成训练集 和 测 试 集 测试集包含 影 ， 数据 取每组实验结果的平均值 ２０％ 然后分别对这 ， １０ 个 电 影 、６　０４０ ＭｏｖｉｅＬｅｎｓ－１ｍ 数 个 用 户 的 实验按照电影把数据集随机 ． 的 电 其 中 训 练 集 包 含 ， 的电影 组 最后结果 ， ８０％ 用这种方法得到 ． 组数据进行实验 １０ 生成群组 ４．１．２　 ． ： ＭｏｖｉｅＬｅｎｓ 组 内 相 似 度 和 组 的 规 模 将组分 为 高 相 似 度 组 ， 由于 所以需要 手 动 对 用 户 进 行 分 组 ， 数据集中没有 现 成 的 群 组 数 据 分 组 的 时 候 主 ． 要考虑两个因 素 根 据 组 ． 内相似度 低 相 似 度 组 和 随 因此需要设定高相似度组和低相似度组满足 机组 ， 的条件 相关公式 ［６］分析了数据 集中用 户 之 间 的 相 似 度 相 似 度 大 于 可以看出 ， １ 的 大 约 占 所 有 数 据 的 Ｐｅａｒｍａｎ ， 这里使用 ． 结 果 如 图 从 图 ． 所 示 、 １ ０．３ 相似度小于 的 大 约 也 占 所 有 数 据 的 ０．０６ １／３ １／３， 左右 ． 图 １　ＭｏｖｉｅＬｅｎｓ 组员相似度图 根据上述结果 间的相似度均大于 两个组员之间的相似度均小于 度组 本实验定义组内每两个组员之 ， 组内每 ， 的组为低相似 的组为高相似度组 ０．０６ ０．３ 随机组则不做任何限制 ， 实验考虑组的规模人数分别为 ． 考虑组内相似度分别为高相似度组 其中 ． １　０５０ 高相似度组 ， 个 ， 每 种 规 模 的 组 有 ２，３，４，５，６，７， 低相似度组 、 低相似度组和随机组 、 一 共 个 １５０ ， ８， 和随机组 分别生成 

８９ 　　　 周口师范学院学报 ２０１８ 年 ９ 月 生成 ３　１５０ 个组 参数设置 ． ４．１．３　 正如算法第一步中提到的 组推荐算法需要首 ， 实 验 中 因 此 ． 先生成群组中 每 个 组 员 的 推 荐 列 表 首先 使 用 算法的参数根据之前研究者的经验来设置 里将 算 法 中 的 特 征 值 数 目 设 置 为 ， ＳＶＤ［５］算 法 给 组 员 生 成 推 荐 列 表 ．ＳＶＤ 因此这 ， 通 过 ＳＶＤ 算法给数据集中每个用户预测出对测试集中 实验中设置组推荐列表的长度跟 ； ＳＶＤ 所有电影的评分 测试集中电影的数目相同 ５０． ． 评价指标 ４．１．４　 实验中使用一种信息检索中评估网页排序的 Ｄｉｓｃｏｕｎｔｅｄ　ｃｕｍｕｌａｔｉｖｅ　ｇａｉｎ（ｎＤＣＧ）［７］来评估 评估方 其 方法 用户对有序推荐列表的满意度 法来说 ｎＤＣＧ 用户评 分 越 高 的 项 目 排 名 越 靠 前 ， ｎＤ－ 因此可以有效地评估用户对有序 ， ＣＧ 推荐列表的满意度 的值就越高 对于 ． ， ， ３ ｎＤＣＧ ｌｍｄ１００ 其 中 ． 其他的与此 类 似 ， ９００，１　０００， 标代表 模不同的组 法 时的高 相 似 度 组 的 情 况 人数为 规模人数为 似 表 示 ＿ ２ 同 理 的低相似度组的情况 ．ｈｉｇｈ ； ３ ８ ． 的随机相似度组的情况 λ １００ 代 表 组 规 模 人 数 为 ＿ ３ ２ 代 表 组 规 模 ，ｌｏｗ 代表 组 ，ｒａｎｄｏｍ 其他情况类 ， ＿ ８ 不同 值对实验结果的影响结果与分析 图 ． 实验结果与分析 ４．２　 ４．２．１　 λ 为了分析不同的 分别取 λ 对 λ 值对推荐效果的影响 笔者 ， １００，２００，３００，４００，５００，６００，７００，８００， 图中纵坐 结果如图 图 ２、 ． 横 坐 标 代 表 内 部 相 似 度 和 规 时 的 算 的 值 值 为 所示 和图 ４ 对于规模为 ； 其他情况下 ； 果最好 最好 似度组来说 ３，５，８ 取 ，λ 组规模为 ， ５００ ２，３，４ 左右效 果 最 好 当 组 规 模 大 于 ； ６００ 可 以 发 现 的效果很明显是最优的 ２ ， 此 外 ． １　０００ 之前类似的结 果 对组规模为 对于别的情况却表现不佳 和随机组表现 都 一 般 此可以看出 现都很优异 很难找出一个 ， ， ；λ λ ． ４ 取 ，λ ４００ 的 组 效果比较好 的 时 候 对于随机组 ． 时 效 果 对于低相 ． 或 取 ，λ ５００ 的 时 候 取 ，λ 也 有 与 ， 的 时 候 但是 ， 在高相似度 因 ． 的值在任何情况下表 １　０００ １００ 取 取 λ 的高相似度组的推荐效果最好 在 低 相 似 度 组 表 现 很 好 不同值的结果对比图（随机相似度组） ４　 此外还可以得到如下结果 对于低相似度组和 ： 推荐结果的效果随着组规模的增加而 ， 的 时 候 效 这说明组推荐的 ． 随即组来说 降低 果甚至要好于比他更小规模的组 效果不一定随着组规模的增加而降低 然而对于高 相 似 度 组 ； 组 规 模 为 ， ８ 通过上述实验计 算 得 到 了 每种 情 况 下 的 所 示 优值 如表 ， １ 根据表 进行推荐 ， 最优的结果 如 果 针 对 高 相 似 度 的 ． 就可以将 设置为 ４００ λ ３ １ λ 最 人 群 组 以得到 ． ． 表 １　 人 组 ３ ２ 人 组 各种情况下 最优数值 ６ 人 组 ７ 人 组 ８ 人 组 λ 人 组 ５ ４ 人 组 高相 似度组 １００　 ４００　 ５００　 ４００　 ５００　 ８００　 ４００ 低相 似度组 ６００　 ８００　 ７００　 ３　０００　３　０００　３　０００　３　０００ 随机 组 ３００　 ６００　 ９００　 ９００　 １　０００　１　０００　１　０００ 图 ２　 不同值的结果对比图（高相似度组） ４．２．２　ＨＡａＢ 通过表 算法与典型算法的对比与分析 中总结的数据 可以实现使用 ， １ 下面对 ． 算法对组进行推荐 的几种典 型 算 法 做 一 下 对 比 图 表 图中 ． 计 数 算 法 Ｒａｎｄｏｍ ，ＬＭ 所示 ７ ＨＡａＢ ＨＡａＢ 算法与之前介绍 和 ５、 ６ 代 ，Ｂｏｒｄａ 算 法 结 果 如 图 指随机推荐方法 代 表 图 ， Ｌｅａｓｔ　Ｍｉｓｅｒｙ ， ＡＡ Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 图 ５、 和 图 论针对高相似度组 中 结 果 表 明 方 法 无 ７ 低相似度组还是随机组的推荐 、 ，ＨＡａＢ ． ６ Ｂｏｒｄａ 代表 图 算法 图 从图 度组来说 不同值的结果对比图（低相似度组） ３　 图 ２、 组规模为 ， 中 可 以 看 出 对 于 高 相 似 ： 时 算 法 取 得 效 ４ 时 和图 取 ３ １００ ２ ，λ 

第 卷 第 期 ５ ３５ 马远坤 等 ， 一种针对群体的列表融合推荐算法 ： 　　　 ９９ ， ３ 比 １０ Ｂｏｒｄａ 个百分点 ，ＨＡａＢ 算 法 平 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 比其他三种方法平均高出至 ， 算 效果都是 最 优 的 在 高 相 似 度 组 的 对 比 中 ． 算法的 推 荐 精 度 比 均高大概 个百分点 少 在低相似度组的对比中 ． 法的推荐精度比 个百分点左右 百分点 外 优 于 Ｌｅａｓｔ　Ｍｉｓｅｒｙ ，Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ ５ 个 计数算法高了 将 近 高 出 了 此 ． 算 法 的 推 荐 效 果 一 般 要 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 比 １０ 个 百 分 点 ，ＨＡａＢ 平均高出 等 算 法 算 法 仅 仅 在 高 相 似 度 组 中 效 果 比 、Ｌｅａｓｔ　Ｍｉｓｅｒｙ 其他情况下 都 不 如 ， Ｍｉｓｅｒｙ 好 ， 算法不一定在每种情况下效果都最好 以弥补独立算 法 的 缺 陷 最差的 证明了所有的算法都是有效的 ， Ｂｏｒｄａ 这 说 明 独 立 的 混合算法可 ， 随 机 算 法 的 效 果 是 最 后 ． ；Ｌｅａｓｔ Ｂｏｒｄａ Ｂｏｒｄａ 计 数 算 法 ３０ ， ， ． ， ， Ｂｏｒｄａ 算 法 和 同 时 ａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 考虑了组员推荐列 表 中 项 目 评 分 和 项 目 排 名 两 个 因素 通 过 实 验 发 现 ． 摒 弃 了 这 两 种 算 法 的 缺 陷 算法比 算 法 的 思 想 ＨＡａＢ 等算法效果要好很多 荐的效果就越 好 着组规模的增加而降低 外 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 此外 ； 算法和 组内相似度越高 ， 一 般 情 况 下 ． Ｂｏｒｄａ 组推 ， 组 推 荐 的 效 果 还 随 但是在少数情况下也有例 ， ， ， ． λ ＨＡａＢ 值来进行推荐 算法的关 键 是 在 每 种 情 况 下 使 用 最 优 因此未来的工作比较重要的一 的 ， 点就是解决如何设 计 算 法 自 适 应 得 到 每 种 情 况 下 此 外 组 员 推 荐 列 表 的 融 合 策 略 可 以 的最优 ， ． 可以将融合策略考虑的因素更加 做进一步的优化 ， 细化 算法做进一步的优化和验证 将 来 也 可 以 在 多 个 数 据 集 上 对 ， 同时 ． 值 λ ＨＡａＢ ． 图 ５　ＨＡａＢ 算法与其他算法结果对比图（高相似度组） 图 ６　ＨＡａＢ 算法与其他算法结果对比图（低相似度组） 参考文献： ［１］Ｄｉｅｔｍａｒ　Ｊａｎｎａｃｈ，Ｍａｒｋｕｓ　Ｚａｎｋｅｒ，Ａｌｅｘａｎｄｅｒ　Ｆｅｌｆｅｒｎｉｇ， ｅｔ　ａｌ．Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍｓ：Ａｎ　Ｉｎｔｒｏｄｕｃｔｉｏｎ［Ｍ］． Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ　Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，２０１０． ［２］Ｚ．Ｙｕ，Ｘ．Ｚｈｏｕ，Ｙ．Ｈａｏ，ｅｔ　ａｌ．Ｔｖ　ｐｒｏｇｒａｍ　ｒｅｃｏｍ－ ｍｅｎｄａｔｉｏｎ　ｆｏｒ　ｍｕｌｔｉｐｌｅ　ｖｉｅｗｅｒｓ　ｂａｓｅｄ　ｏｎ　ｕｓｅｒ　ｐｒｏｆｉｌｅ ｍｅｒｇｉｎｇ ［Ｊ］．Ｕｓｅｒ　Ｍｏｄｅｌｉｎｇ　ａｎｄ　Ｕｓｅｒ－Ａｄａｐｔｅｄ　Ｉｎｔｅｒ－ ａｃｔｉｏｎ，２００６，１６（１）：６３ ８２． – ［３］Ｆｒａｎｃｅｓｃｏ　Ｒｉｃｃｉ，Ｌｉｏｒ　Ｒｏｋａｃｈ，Ｂｒａｃｈａ　Ｓｈａｐｉｒａ，ｅｔ　ａｌ． Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍ　Ｈａｎｋｂｏｏｋ ［Ｍ ］．Ｎｅｗ　Ｙｏｒｋ： Ｓｐｒｉｎｇｅｒ，２０１１． ［４］Ｌｉｎａｓ　Ｂａｌｔｒｕｎａｓ，Ｔａｄａｓ　Ｍａｋｃｉｎｓｋａｓ，Ｆｒａｎｃｅｓｃｏ　Ｒｉｃｃｉ． Ｇｒｏｕｐ　Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ　ｗｉｔｈ　Ｒａｎｋ　Ａｇｇｒｅｇａｔｉｏｎ　ａｎｄ Ｃｏｌｌａｂｏｒａｔｉｖｅ　Ｆｉｌｔｅｒｉｎｇ［Ｃ］．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：Ａｓｓｏｃｉａ－ ｔｉｏｎ　ｆｏｒ　Ｃｏｍｐｕｔｉｎｇ　Ｍａｃｈｉｎｅｒｙ，２０１０：２６ ３０． – ［５］Ｋｏｒｅｎ　Ｙ，Ｂｅｌｌ　Ｒ，Ｖｏｌｉｎｓｋｙ　Ｃ．Ｍａｔｒｉｘ　Ｆａｃｔｏｒｉｚａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ　ｆｏｒ　Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ， ２００９，４２（８）：３０ ３７． – ［６］Ｄｅｓｈｐａｎｄｅ　Ｍ，Ｋａｒｙｐｉｓ　Ｇ．Ｉｔｅｍ－ｂａｓｅｄ　ｔｏｐ－Ｎ　ｒｅｃｏｍ－ ｍｅｎｄａｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＡＣＭ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｉｎｆｏｒ－ ｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，２００４，２２（１）：１４３ １７７． – ［７］Ｃ．Ｍａｎｎｉｎｇ．Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ［Ｍ］． Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ　Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，２００８． 图 此外 ，ＨＡａＢ ７　ＨＡａＢ ， 算法在组规模大于 算法与其他算法结果对比图（随机相似度组） 算 法 和 对 于 高 相 似 度 组 来 说 的时候 Ａｖｅｒａｇｅ　Ａｇｇｒｅｇａｔｉｏｎ 推荐精度基 本 处 于 稳 定 状 态 在 其 他 的 所 有 情 况 大部分算法的效果都会随着组规模的增大而降 下 ， 低 对于大部 分 算 法 来 说 高 相 似 度 组 的 推 荐 效 果 ． 而 低 相 似 度 组 的 推 荐 效 其次是 随 机 组 是最好的 ， 果是最差的 组 推 荐 算 法 的推荐效果就越好 这 说 明 组 内 相 似 度 越 高 ． ３ ； ， ， ， ． 小结 ５　 笔者分析了当前典型的基于列表融合的组推 荐算法的缺陷 并提出了 ， ＨＡａＢ 算法融合了 Ａｖｅｒ－