基于特征和项目近邻的混合推荐算法研究

摘要：

针对传统的协同过滤算法在推荐过程中存在的可扩展性差、推荐准确性低等问题,提出了一种基于动态加权的混合协同过滤算法(ItemBase_ALS collaborative filter,IACF).该算法将基于项目的协同过滤算法(ItemBase CF)与基于矩阵分解的ALS推荐算法按照一定的权重进行混合,并在分布式平台Spark上得以实现,有效解决了算法扩展性问题.该混合算法首先分别利用ItemBase CF和ALS算法进行初步预测,然后选取能够反映其各自特性的因素,即项目近邻和隐藏特征,按照权重公式进行融合从而得到最终预测结果.通过调整权重比例,可以突出某一算法的特性,满足不同的推荐需求.实验选用MovieLen电影评分数据集,实验结果表明,混合协同过滤算法较之传统单个算法,既能体现其各自特点及变化规律,在可扩展性、准确性上也有所改善.

关键词：协同过滤、扩展性、Spark平台、动态加权

所属期刊栏目：29

分类号：TP301(计算技术、计算机技术)

资助基金：山东省自然科学基金ZR2013FL015;山东省研究生教育创新资助计划SDYY12060

在线出版日期：2019-10-14（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：71-75