融合"S"型相似度和关联度的协同过滤算法

摘要：

协同过滤推荐系统是应用最广泛的推荐算法之一,但是其面临严重的稀疏性问题和扩展性问题.针对稀疏的评分矩阵难以准确计算相似度的问题,从推荐算法的流程出发,分离候选集生成和评分预测.针对候选集中存在大量弱或不相关的项目和用户感兴趣比例较低的问题,引入关联度,使用关联矩阵生成候选集;评分预测阶段分析相似度对推荐效果的影响,总结现有相似度的不足,提出一种细粒度划分的"S"型相似度来表述理想增长曲线,并在算法流程中融合候选集生成和评分预测.实验结果表明,减小候选集规模为原来的1/3,避免了评分时对无效项目的计算,算法层面上提高了可扩展性,改进的"S"型相似度在推荐准确率上较之前提高了4％,缓解了稀疏性对推荐效果的影响.

关键词：协同过滤、相似度、关联度、稀疏性

所属期刊栏目：29

分类号：TP311.1(计算技术、计算机技术)

资助基金：上海市自然科学基金资助项目14ZR1400700

在线出版日期：2019-05-31（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：35-40