论文部分内容阅读
随着互联网的更加普及和信息科技的快速发展,我们已经迈入到信息过载的时代,游戏行业产生的数据同样成指数级别增长。游戏中提供的道具信息量快速增加,用户经常会迷失在大量的道具信息中,无法准确快速地找到自己需要的道具,对道具推荐系统的需求越来越迫切。推荐系统扮演了售货员的角色,通过向用户推荐道具,帮助用户顺利购买到自己需要的道具。推荐系统具有良好的发展及应用前景,未来将吸引越来越多的关注。协同过滤是目前应用最为广泛的推荐系统技术之一,根据计算角度不同将其归纳为基于用户的协同过滤和基于项目的协同过滤两种算法。与传统的基于内容的协同过滤单纯通过计算相似度给出推荐结果不同,以上两种协同过滤算法重点关注用户和项目的关联关系,将具有相同兴趣偏好的相似用户对项目的偏爱程度,生成推荐列表,推荐给用户。在使用协同过滤时,仍然有一些问题尚待解决:当面对超大规模数据时,协同过滤算法面临着数据稀疏、推荐精度和扩展性等问题。针对上述问题,结合游戏行业背景,本文提出了一种改进的协同过滤算法——基于用户行为的游戏道具推荐算法。首先,我们使用因子分析对用户行为原始数据做降维处理,得到若干个不相关的复合属性。根据降维得到的用户属性,使用k-means聚类算法对用户进行分类,得到k个相似用户的集合。接下来,使用改进的协同过滤技术生存推荐集合。协同过滤模块包括两个步骤:第一步,提取购买相同项目类别道具的用户-项目类别矩阵;第二步,使用Jaccard距离公式计算道具和道具类别的相似度;第三步,生成推荐列表,取前N项推荐给用户。最后,以传统的基于项目的协同过滤算法做对比实验,验证本文提出的基于用户行为的游戏道具推荐算法的优化效果。在本算法中,使用因子分析对数据降维,提高矩阵密度;通过将用户的推荐计算限定在相似用户集合中进行,有效地解决了算法的可扩展性问题;由于有相同道具感兴趣的用户具有相似的用户行为,故而提高了推荐的精度。