协同过滤推荐系统中隐性评分模型：原理、类型与优化策略探究.docxVIP

协同过滤推荐系统中隐性评分模型：原理、类型与优化策略探究

一、引言

1.1研究背景与意义

在信息技术与社会经济迅猛发展的当下，电子商务与移动商务呈现出日新月异的变化态势。据中国互联网络信息中心（CNNIC）发布的第51次《中国互联网络发展状况统计报告》显示，截至2022年12月，我国网络购物用户规模达8.45亿，占网民比例为80.0%。在如此庞大的用户群体和海量的商品信息面前，如何帮助用户快速准确地找到符合自身需求的商品，成为了电商平台亟待解决的关键问题。个性化推荐系统应运而生，它能够智能地为用户推荐符合其个人兴趣的商品，极大地提升了用户体验和购物效率。

协同过滤推荐技术作为个性化推荐系统领域的核心内容，凭借其独特的优势，如无需预先对商品进行内容分析，能够充分利用用户之间的相似性来推荐商品，在电商领域得到了广泛的研究与应用。像全球知名的电商平台亚马逊，其推荐系统很大程度上依赖协同过滤技术，通过分析用户的历史购买行为和浏览记录，为用户精准推荐商品，据统计，亚马逊约35%的销售额来自于推荐系统。然而，协同过滤推荐技术的有效运行需要大量的评分数据作为基础，这不可避免地涉及到数据稀疏性问题。在实际应用中，用户主动给出评分的意愿通常较低，在传统电子商务中，要求用户主动评分就可能给用户带来不好的体验。而在日渐兴起的移动商务环境下，由于网络带宽窄、费用按流量计算、终端显示能力弱、运算效率低等特点，收集足够的评分数据更是难上加难。例如，在一些移动电商应用中，用户可能只是匆匆浏览商品，很难有耐心去进行评分操作，导致评分数据严重不足。

为了解决这一问题，隐性评分模型的研究显得尤为重要。隐性评分，是指在不中断用户正常浏览或购物行为的情况下，通过智能的分析方法得到用户对项目的量化偏好，也就是评分。通过挖掘用户的隐性评分，可以为电子商务和移动商务环境下的协同过滤推荐系统提供足够的评分数据基础，有效解决数据稀疏和冷启动问题，提高推荐系统的准确性和效率，为用户提供更加个性化、精准的推荐服务，进而提升电商平台的用户粘性和销售额，具有重要的理论意义和实际应用价值。

1.2国内外研究现状

国外在协同过滤推荐系统隐性评分模型领域的研究起步较早，取得了一系列丰硕的成果。在基于评分数据的隐性评分预测方面，早期的研究主要集中于基于邻居用户的方法，如GroupLens算法，该算法通过寻找与目标用户兴趣相似的邻居用户，利用邻居用户的评分来预测目标用户对未评分项目的评分。随着研究的深入，学者们开始从不同角度进行探索。Sarwar等人从计算项目间的相似性出发，由用户对相似项目的评分预测用户对未评分项目的评分，为隐性评分预测提供了新的思路。还有学者综合考虑用户个人信息后，建立了基于概率模型的URP（UserRatingProfiles）来预测未评分项目的评分，进一步提高了预测的准确性。然而，这类方法在数据稀疏性较高的情况下，预测效果往往不理想。

在基于购物篮数据的隐性评分计算方面，国外学者也进行了大量的研究。一些学者针对用户购物矩阵，使用主成分分析减少item变量的维度，再利用二元logistic回归预测商品属于1（即用户购买该商品）的概率。还有研究利用购物篮数据中的购买时间，与项目的发布时间相结合，手工构造虚拟评分函数，以更准确地刻画用户对商品的兴趣。

在基于浏览行为的隐性评分计算方面，国外的研究成果也较为丰富。众多研究表明，用户的在页面上的浏览行为与用户的兴趣有着极大的相关性，用户的浏览行为一般包括浏览时间、鼠标的点击数、页面滚动时间、书签、打印、保存等。一些学者利用神经网络计算隐性评分，通过穷举各种行为数据组合的预测精确度，并对结果进行分析，得出各参数与隐式评价计算的相关性，从而找出对计算隐式评价最有效的行为数据集合。还有学者采用序列算法和多元线性回归为工具，提出了一种将浏览行为分析和浏览内容挖掘相结合的用户兴趣自动学习与更新的新方法。

国内在该领域的研究虽然起步相对较晚，但发展迅速，也取得了不少有价值的成果。在基于评分数据的隐性评分预测方面，国内学者在借鉴国外研究的基础上，进行了一些改进和创新。有研究针对国外方法中只存在对用户的潜在分组的不足，增加了项目的潜在分组，提出Two-WayLatentGroupingModel以提高预测评分的精度。

在基于购物篮数据的隐性评分计算方面，国内学者也提出了一些新的方法和思路。有研究引入用户购买项目的数量，对传统的只由0和1组成的二维用户项目矩阵进行改进，能更加准确地刻画用户兴趣。

在基于浏览行为的隐性评分计算方面，国内学者同样进行了深入的研究。有研究从心理学的角度运用内驱力理论发现web用户的浏览行为和他对网页是否感兴趣密切相关，并提出用线性回归模型来描述