基于离散量和用户兴趣贴近度的协同过滤推荐算法
2018-01-19,,,
计算机工程 2018年1期
,,,
(西北农林科技大学 信息工程学院,西安 710000)
0 概述
协同过滤推荐算法的关键步骤是计算用户或项目之间的相似度[1]。传统的相似度计算方法有余弦相似度、相关相似度以及修正的余弦相似度等[2-4]。传统相似度计算方法计算的相似度结果存在诸多问题,目前,研究者从多个方面对相似度计算进行了改进[5-7]。如文献[8]借用Sigmoid函数对相似度计算进行了改进,从一定程度上提高了准确率;文献[9]在文献[8]的基础上从用户评分相似度、兴趣的倾向相似度、置信度等方面对相似度计算方法进行了改进,提出了基于用户属性和评分的协同过滤算法(Collaborative Filtering Recommendation Algorithm Based on User Attributes and Scores,US-CF),但相似度计算结果仍存在很多问题。在评分数据丰富的情况下,传统相似度计算方法能够较为准确地计算出目标间的相似度[10]。然而在实际推荐过程中可用的评分数据稀少,使得系统难以搜寻到目标用户真正的邻居,产生了数据稀疏性问题[11-12]。部分学者采用数据填补技术降低评分数据的稀疏性,但存在信息失真或者填充值不可靠的问题[13-15]。另外在用户评分数据极端稀疏和用户间共同评分项较少的情况下,余弦相似度不能区分平行评分向量之间的相似度,相关相似度以及修正的余弦相似度出现无法衡量部分用户间兴趣相似程度的现象,导致推荐过程中得到的相似用户不准确,进而影响推荐系统的推荐质量[16-17]。
为了解决以上问题,本文提出一种基于离散量和用户兴趣贴近度的协同过滤算……
登录APP查看全文
