基于均值预估的协同过滤推荐算法改进

摘要：

在协同过滤推荐系统中,用户-项目矩阵中存在大量未评分元素,且最终预测值由"最近邻"用户所评分数的加权平均产生.传统算法将未评分元素直接计作0,导致预测得分普遍偏低.针对这种稀疏性引起的问题,提出了一种基于均值预估的协同过滤改进算法.该算法以"最近邻"用户所给平均值对未评分的数据进行估计,有效降低了未评分项目所带来的负面影响.同时该方法又不是单纯的平均值填充,而是在协同过滤算法的第三阶段,需要用到"最近邻"用户对预测项目的评分时,才对"最近邻"评分为0的分值进行替代,这样不会影响到计算的相似度,预测结果不至于平庸.稀疏度为93.7%的数据上的实验表明,在不影响相似度计算的前提下,改进算法可显著降低均方根误差,提高推荐质量;最佳RMSE值可达1.01.

关键词：协同过滤、推荐算法、稀疏性、评分预测、均方根误差

所属期刊栏目：27

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家级精品资源课程建设007000523339

在线出版日期：2017-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1-5