一种SVD和信任因子相结合的协同过滤算法
针对推荐系统在数据稀疏情况下推荐质量不高的问题,提出将奇异值分解SVD(Singular Value Decomposition)技术和信任模型相融合的协同过滤算法.首先运用SVD降维技术得到项目的隐式特征空间.然后用改进的余弦相似度计算项目间相似度,根据k近邻kNN(k-Nearest Neighbor)算法得到第一阶段生成临时近邻居集.接着引入项目信任因子,建立信任模型并融入到相似度空间中,进行第二阶段k近邻选择,从而完成预测推荐.最后在MovieLens数据集与传统的算法进行实验对比,本文提出的算法其标准误差RMSE(Root Mean Squared Error)的精度提高了0.53%.
协同过滤、数据稀疏性、奇异值分解、信任、最近邻
38
TP391(计算技术、计算机技术)
国家自然科学基金项目61202286;河南省高等学校重点科研项目15A520074
2017-08-04(万方平台首次上网日期,不代表论文的发表时间)
共4页
1290-1293