相似度最优加权协同过滤推荐模型
在充分分析了传统协同过滤算法推荐精度低,已有的加权改进算法需要额外先验知识和参数优化设置,且只能从某一方面提高推荐精度的基础上,提出相似度最优加权协同过滤推荐模型.该模型以最终推荐评分的平均绝对偏差最小为优化目标,对最近邻的相似度度量进行归一化加权来改进最近邻的选择.该模型在理论上将各个相似性加权算法进行了统一,实现了在没有先验知识下的相似度最优加权.在模型求解的过程中,充分考虑了模型本身的并行性,利用PSO优化算法进行并行参数寻优.在MovieLens-100k公开数据集上的实验结果表明,相似度最优加权协同过滤推荐模型的评分平均绝对偏差明显小于传统的、相关加权的、IFUBCF和IFIBCF协同过滤算法.
协同过滤、相似度加权、最优加权、平均绝对偏差、模型并行性、PSO优化求解、相关加权
37
TP311(计算技术、计算机技术)
国家自然科学基金项目51305142,61103170;福建省自然科学基金计划项目2014J01191;中国博士后科学基金第55批面上项目2014M552429;福建省绿色通信及其智能信息服务工程技术研究中心项目2012H2002;厦门市科技计划项目3502Z20143041;华侨大学引进人才科研启动项目12BS217;华侨大学科技创新能力提升计划“中青年教师科技创新计划项目ZQN-PY212
2016-10-25（万方平台首次上网日期，不代表论文的发表时间）
共5页
682-686
