融合项目热门惩罚因子改进协同过滤推荐方法

摘要：

推荐系统是大数据时代解决信息过载问题的一种重要工具,协同过滤是推荐系统中出现最早、应用最广泛的一种推荐算法.针对传统协同过滤推荐算法存在的项目热门度偏差问题,提出了一种融合项目热门惩罚因子改进协同过滤推荐方法.引入热门阈值,根据项目热门度将项目进行二分类,即热门项目(项目热门度较高的项目)和非热门项目(项目热门度较低的项目).重点针对热门项目,融合项目热门惩罚因子改进协同过滤推荐方法,降低热门项目的贡献,从而提升推荐精度.在MovieLens100K数据集上对所提推荐方法进行实验验证.实验结果表明,在参数取最优值时,所提推荐方法较为有效地降低了评分预测的平均绝对误差和均方根误差,一定程度上验证了项目热门惩罚因子的有效性.

关键词：推荐系统、热门度偏差、协同过滤、二分类、评分预测

所属期刊栏目：33

分类号：TP391(计算技术、计算机技术)

资助基金：安徽省自然科学基金;安徽省质量工程项目

在线出版日期：2023-05-06（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：15-19