[论文解读] A Survey Paper on Recommender Systems

Dhoha Almazro, Ghadeer Shahatah+4 more|arXiv (Cornell University)|Jun 28, 2010

Recommender Systems and Techniques参考文献 15被引用 58

一句话总结

本综述论文评估了协同过滤技术——基于用户的协同过滤与基于项目的协同过滤——在推荐系统中的应用，使用Weka实现并测试了基于电影评分数据的预测模型。该研究在基于用户人口统计特征预测电影类别的任务中取得了61.43%的准确率，在基于类型相似性的推荐特定电影标题的任务中取得了66.01%的准确率。

ABSTRACT

Recommender systems apply data mining techniques and prediction algorithms to predict users' interest on information, products and services among the tremendous amount of available items. The vast growth of information on the Internet as well as number of visitors to websites add some key challenges to recommender systems. These are: producing accurate recommendation, handling many recommendations efficiently and coping with the vast growth of number of participants in the system. Therefore, new recommender system technologies are needed that can quickly produce high quality recommendations even for huge data sets. To address these issues we have explored several collaborative filtering techniques such as the item based approach, which identify relationship between items and indirectly compute recommendations for users based on these relationships. The user based approach was also studied, it identifies relationships between users of similar tastes and computes recommendations based on these relationships. In this paper, we introduce the topic of recommender system. It provides ways to evaluate efficiency, scalability and accuracy of recommender system. The paper also analyzes different algorithms of user based and item based techniques for recommendation generation. Moreover, a simple experiment was conducted using a data mining application -Weka- to apply data mining algorithms to recommender system. We conclude by proposing our approach that might enhance the quality of recommender systems.

研究动机与目标

• 评估基于用户和基于项目的协同过滤技术在推荐系统中的效率、可扩展性和准确性。
• 应对在用户和项目数量持续增长的背景下，处理大规模数据并提升推荐质量所面临的挑战。
• 通过真实世界电影数据，实验比较基于用户（基于人口统计）和基于项目（基于类型）的推荐方法。
• 评估Weka等数据挖掘工具在构建实际推荐系统中的表现。
• 通过混合或优化的算法方法，提出提升推荐质量的改进方案。

提出的方法

• 从MovieLens数据中构建用户和项目数据集，包含年龄、性别、学生身份、子女状况以及偏好的电影类型等属性。
• 使用人口统计特征（如年龄、性别、学生身份）应用基于用户的协同过滤，以预测用户偏好的电影类别。
• 使用电影类型属性应用基于项目的协同过滤，根据用户偏好预测特定的电影标题。
• 在Weka中通过选择相关属性并将目标变量指定为类别属性，对数据进行预处理以用于分类。
• 使用Weka的分类算法生成决策树，以建模用户偏好并实现项目推荐。
• 通过在用户档案和项目类型预测任务上使用分类准确率指标，评估模型性能。

实验结果

研究问题

• RQ1 在准确率、可扩展性和效率方面，基于用户和基于项目的协同过滤技术有何差异？
• RQ2 基于人口统计的用户档案在多大程度上能够预测推荐系统中用户偏好的电影类型？
• RQ3 基于类型的项目特征是否能有效预测具有相似偏好的用户所感兴趣的特定电影标题？
• RQ4 基于Weka的实现方法在使用真实世界电影数据集生成准确推荐方面表现如何？
• RQ5 与基础协同过滤方法相比，混合或优化方法在提升推荐质量方面表现如何？

主要发现

• 基于用户的推荐方法在基于用户人口统计特征（如年龄、性别、学生身份和父母身份）预测电影类别的任务中，准确率达到61.43%。
• 基于项目的推荐方法在基于用户偏好的电影类型预测特定电影标题的任务中，准确率达到66.01%。
• 使用Weka构建的决策树成功建模了用户偏好，并实现了对电影类别和具体电影标题的预测。
• 实验结果表明，基于项目的推荐方法在本研究数据集和任务中准确率高于基于用户的推荐方法，显示出更优的性能。
• Weka中的预处理步骤（如属性选择和类别指定）对模型的准确训练和预测至关重要。
• 研究证实协同过滤技术依然有效，但大规模系统中需采用混合方法以在准确率和可扩展性之间取得平衡。