结合用户兴趣和改进的协同过滤推荐算法

摘要：

传统的协同过滤算法面对稀疏数据时计算相似度精确度偏低,导致评分预测结果计算不准确,推荐效果也随之下降.针对传统协同过滤算法的不足之处,提出了一种结合用户兴趣和改进的协同过滤推荐算法.该算法将用户评分分值差异度和用户评分倾向相似性加入到传统的协同过滤推荐算法中,同时用标准差来反映用户评分的离散性,并将离散系数作为判断用户评分对计算相似性的贡献度,与Pearson相关系数进行结合,从而消除项目自身质量属性对计算相似度带来的误差.最后将用户兴趣和改进的Pearson相关系数相结合,从而计算出更加准确的用户相似度.在真实的数据集上进行了实验验证,该算法提高了评分的预测效果,提高了推荐的精确度.

关键词：协同过滤、用户评分、用户兴趣倾向、标准差、离散系数

所属期刊栏目：41

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目;河南理工大学博士基金项目;河南省高等学校重点科研项目

在线出版日期：2020-09-15（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：1665-1669