1、隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)中的用戶和商品都越來(lái)越多。傳統(tǒng)的推薦算法由于混入了過(guò)多干擾和無(wú)用信息，在為每個(gè)用戶進(jìn)行推薦時(shí)得到的準(zhǔn)確率并不高。而流行性預(yù)測(cè)是一種利用商品在過(guò)去所產(chǎn)生的信息和屬性，來(lái)預(yù)測(cè)其未來(lái)流行性的方法。如果將流行性預(yù)測(cè)與推薦算法相結(jié)合，排除或降低無(wú)用商品的干擾，則有可能優(yōu)化推薦算法的推薦效果。本文提出了一種流行性預(yù)測(cè)的算法，并將其引入推薦算法中，以期達(dá)到提高推薦算法準(zhǔn)確程度并保持新穎度的目的。
　　首先，本文提出了基于推

2、薦的流行性預(yù)測(cè)算法。該算法將傳統(tǒng)推薦算法的推薦列表當(dāng)作一個(gè)流行性預(yù)測(cè)趨勢(shì)，將商品在不同用戶推薦列表中的出現(xiàn)次數(shù)作為一個(gè)預(yù)測(cè)指標(biāo)對(duì)商品進(jìn)行流行性預(yù)測(cè)。而在預(yù)測(cè)階段，不僅可以單獨(dú)將出現(xiàn)次數(shù)作為預(yù)測(cè)分?jǐn)?shù)，還可以利用出現(xiàn)在推薦列表中的排序作為本次出現(xiàn)的權(quán)重，通過(guò)累加權(quán)重得出預(yù)測(cè)分?jǐn)?shù)。這個(gè)方法在之后應(yīng)用于推薦算法時(shí)，得到了良好的成績(jī)。
　　然后，本文提出了基于流行商品骨架的推薦算法。該算法在推薦算法前期，將訓(xùn)練集中的數(shù)據(jù)根據(jù)預(yù)測(cè)流行度進(jìn)行數(shù)

3、據(jù)骨架抽取，然后將只剩下預(yù)期流行商品的數(shù)據(jù)通過(guò)推薦算法進(jìn)行推薦。經(jīng)過(guò)測(cè)試，這種算法不僅能夠?qū)⑾到y(tǒng)推薦的準(zhǔn)確率、召回率和F1值分別提高2.2％、6.0%和4.5%，還能將系統(tǒng)的ESIBN提高21.1%。在引入混合后的流行度來(lái)進(jìn)行推薦之后，能將準(zhǔn)確率、召回率、F1值和ESIBN提高6.4%、10.1%、8.7%和58.7%。
　　最后，本文還提出了一種基于流行度加權(quán)的推薦算法。該算法在預(yù)估推薦分?jǐn)?shù)生成之后，對(duì)每個(gè)商品的推薦分?jǐn)?shù)進(jìn)行流行

4、性加權(quán)。通過(guò)對(duì)其預(yù)估推薦分?jǐn)?shù)進(jìn)行提升或降低，達(dá)到在推薦系統(tǒng)中懲罰或獎(jiǎng)勵(lì)該商品的目的。經(jīng)過(guò)實(shí)驗(yàn)證明，將預(yù)期流行商品進(jìn)行加權(quán)的推薦能夠?qū)⑺惴ǖ臏?zhǔn)確率、召回率和F1值，分別提高2.5%、4.3%和3.7%。而將流行商品進(jìn)行降權(quán)后算法能夠?qū)⑾到y(tǒng)中用戶推薦列表的SIBN提高14.8%。在將上述基于流行商品骨架的推薦算法和將預(yù)期流行商品在列表中降權(quán)的算法混合在一個(gè)框架內(nèi)后，混合框架算法不僅能夠繼續(xù)保持前文中最優(yōu)算法的準(zhǔn)確指標(biāo)和ESIBN值，還能將其