集成社会化标签和用户背景信息的协同过滤推荐方法

摘要：

针对传统的协同推荐算法存在数据稀疏和推荐精度低的问题,提出了一种集成社会化标签和用户背景信息的协同过滤(CF)推荐方法.首先,分别计算基于社会化标签和用户背景信息的用户间的相似度;然后,基于用户评分计算用户间的相似度;最后,集成上述3种相似性度量产生用户间综合相似度,并对目标用户进行项目推荐.实验结果表明,与传统的协同过滤推荐算法相比,所提方法在正常数据集和冷启动数据集下的平均绝对误差(MAE)平均降低了16％和22.6％.该方法不仅能有效地提高推荐算法的精度,而且能较好地解决数据稀疏和冷启动的问题.

关键词：数据稀疏、冷启动、用户背景信息、社会化标签、协同过滤推荐

所属期刊栏目：34

分类号：TP391;TP18(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目71371012,71171002;教育部人文社科规划项目13YJA630098

在线出版日期：2014-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：2328-2331