【摘要】：用戶相似性和最近鄰集合是協(xié)同過濾算法中最重要的兩個步驟。傳統(tǒng)的協(xié)同過濾算法依靠用戶評分計算用戶相似性并尋找K個鄰居作為最近鄰的方法為用戶產(chǎn)生推薦,但是在數(shù)據(jù)稀疏的情況下,僅僅依靠用戶評分使得推薦效果不準確。針對以上問題,文中提出一種改進的面向數(shù)據(jù)稀疏的協(xié)同過濾推薦算法。該方法引入用戶屬性相似性和用戶興趣度相似性,并結合傳統(tǒng)的用戶評分相似性計算用戶間的相似度,通過多次實驗調(diào)整三者的權重,并且采用動態(tài)選取鄰居集合的方法確定用戶的最近鄰,從而為用戶推薦最合適的項目,增強了方法實用性,以此來緩解用戶數(shù)據(jù)稀疏性問題。實驗結果表明,文中方法能夠充分利用用戶的各類數(shù)據(jù)信息,提高了預測評分的準確性及推薦質(zhì)量。
[Abstract]:User similarity and nearest neighbor set are the two most important steps in collaborative filtering algorithm. The traditional collaborative filtering algorithm relies on the user score to calculate the user similarity and find K neighbors as the nearest neighbor to produce recommendations for the user. But in the case of sparse data the recommendation effect is not accurate only depending on the user score. To solve the above problems, an improved collaborative filtering recommendation algorithm for data sparsity is proposed. This method introduces user attribute similarity and user interest similarity, and combines the traditional user score similarity to calculate the similarity between users, and adjusts their weights through many experiments. And the method of dynamically selecting neighbor set is used to determine the nearest neighbor of the user, so that the most suitable items are recommended for the user, and the practicability of the method is enhanced, so as to alleviate the problem of user data sparsity. The experimental results show that the proposed method can make full use of all kinds of user data and improve the accuracy of prediction and the quality of recommendation.
【作者單位】： 陜西師范大學計算機科學學院;陜西師范大學現(xiàn)代教學技術教育部重點實驗室;
【基金】：中央高�；究蒲袠I(yè)務費專項資金資助項目(GK201002028;GK201101001) 陜西師范大學學習科學交叉學科培育計劃資助項目
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 楊風召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應用;2007年06期

2 王嵐;翟正軍;;基于時間加權的協(xié)同過濾算法[J];計算機應用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導購系統(tǒng)[J];武漢大學學報(工學版);2008年02期

4 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學學報;2009年04期

6 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 沈磊;周一民;李舟軍;;基于心理學模型的協(xié)同過濾推薦方法[J];計算機工程;2010年20期

8 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進研究[J];計算機技術與發(fā)展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

10 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術的個性化網(wǎng)絡教學平臺研究[J];科技風;2012年06期

相關會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術與應用學術會議（CACIS·2009）暨全國第1屆安全關鍵技術與應用學術會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學術會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯一[C];2010年

相關博士學位論文 前10條

1 李聰;電子商務推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學;2009年

2 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D];大連理工大學;2008年

3 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機研究[D];上海交通大學;2011年

4 薛福亮;電子商務協(xié)同過濾推薦質(zhì)量影響因素及其改進機制研究[D];天津大學;2012年

5 高e，

本文編號：2142161