基于协同过滤和隐语义模型的混合推荐算法

摘要：

协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,很多时候无法得到较为理想的推荐结果;除此之外,一般协同推荐算法忽略了用户兴趣的动态变化;文中提出的算法主要融合了相似度传递、用户兴趣迁移、隐语义模型等用以解决上述问题.首先提出了基于项目相似度的协同推荐算法.该算法深入研究了改进的余弦相似度方法,在执行过程中首先需要对项目进行信任关系建模,基于此来传递相似度,然后将这两部分相似度关系进行加权得到新的项目相似关系,可以将其应用到项目的评分中.其次,提出了基于用户兴趣迁移的隐语义模型推荐算法.该算法引入时间函数,重构用户的兴趣模型,实现对传统模型的修正,然后再使用梯度下降法来求解.最后,采用线性融合的办法,将以上两种算法进行融合.实验对比结果表明,混合推荐算法的推荐准确率较原先的算法有了较大的提高,因为它可以对丢失的信息进行补充,对于用户兴趣的变化能够较好的适应,同时大大弱化了数据的稀疏导致的一系列负面影响.

关键词：协同过滤、用户兴趣迁移、相似度传递、隐语义模型、混合推荐算法

所属期刊栏目：30

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61373057,61572266

在线出版日期：2020-03-31（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：52-57