基于用戶行為協(xié)同過濾推薦算法.pdf

1、隨著互聯(lián)網(wǎng)的更加普及和信息科技的快速發(fā)展，我們已經(jīng)邁入到信息過載的時代，游戲行業(yè)產(chǎn)生的數(shù)據(jù)同樣成指數(shù)級別增長。游戲中提供的道具信息量快速增加，用戶經(jīng)常會迷失在大量的道具信息中，無法準確快速地找到自己需要的道具，對道具推薦系統(tǒng)的需求越來越迫切。推薦系統(tǒng)扮演了售貨員的角色，通過向用戶推薦道具，幫助用戶順利購買到自己需要的道具。推薦系統(tǒng)具有良好的發(fā)展及應(yīng)用前景，未來將吸引越來越多的關(guān)注。
　　協(xié)同過濾是目前應(yīng)用最為廣泛的推薦系統(tǒng)技術(shù)之一

2、，根據(jù)計算角度不同將其歸納為基于用戶的協(xié)同過濾和基于項目的協(xié)同過濾兩種算法。與傳統(tǒng)的基于內(nèi)容的協(xié)同過濾單純通過計算相似度給出推薦結(jié)果不同，以上兩種協(xié)同過濾算法重點關(guān)注用戶和項目的關(guān)聯(lián)關(guān)系，將具有相同興趣偏好的相似用戶對項目的偏愛程度，生成推薦列表，推薦給用戶。在使用協(xié)同過濾時，仍然有一些問題尚待解決:當面對超大規(guī)模數(shù)據(jù)時，協(xié)同過濾算法面臨著數(shù)據(jù)稀疏、推薦精度和擴展性等問題。
　　針對上述問題，結(jié)合游戲行業(yè)背景，本文提出了一種改進的

3、協(xié)同過濾算法——基于用戶行為的游戲道具推薦算法。首先，我們使用因子分析對用戶行為原始數(shù)據(jù)做降維處理，得到若干個不相關(guān)的復(fù)合屬性。根據(jù)降維得到的用戶屬性，使用k-means聚類算法對用戶進行分類，得到k個相似用戶的集合。接下來，使用改進的協(xié)同過濾技術(shù)生存推薦集合。協(xié)同過濾模塊包括兩個步驟:第一步，提取購買相同項目類別道具的用戶-項目類別矩陣;第二步，使用Jaccard距離公式計算道具和道具類別的相似度;第三步，生成推薦列表，取前N項推薦給