考虑用户间消极相似性的排序推荐算法

摘要：

由于用户评分标准存在差异,基于打分的协同过滤推荐算法在近邻选择过程中存在误差.针对以上问题,提出考虑用户间消极相似性的排序推荐算法(NS-TauRank),该算法不经过对拟推荐项目的预测评分过程.定义DP函数表示项目对相关属性,充分利用用户间的消极相似性,即相似性为负的用户之间的爱好相反,改进目标用户的近邻选择过程,采用舒尔茨方法进行偏好融合,优化目标用户拟推荐项目的排序.在Eachmovie和movielens数据集上对改进算法进行验证,以NDCG作为评价函数,验证结果表明,该算法在两个数据集上的NDCG@1-2值较对比算法有4%-7%的提高,产生了更可靠的拟推荐序列.

关键词：消极相似性、偏好、基于排序、推荐算法、协同过滤

所属期刊栏目：38

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金项目61462079、61262088、61562086、61363083

在线出版日期：2017-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1247-1251,1272