潘燕梅

随着大数据和人工智能的发展，个性化推荐系统已在人们的日常生活中得到广泛应用［1］.然而，现有个性化推荐系统的精确度与现实要求仍有一定的差距［2-3］.在个性化推荐系统中，推荐算法决定精确度的大小，是系统的核心.协同过滤推荐算法作为目前应用的主流算法，可利用相似用户（相似购买喜好）的评分对目标用户进行推荐［4-6］.

传统协同过滤推荐算法复杂度较低，但精度不高.本文首先分析了传统协同过滤推荐算法精度不高的原因，然后引入用户重要性程度因子和项目重要性程度因子，并提出置信度传播算法对重要性程度因子进行迭代更新，最终实现评分预测.最后，利用MovieLens数据集，在Matlab 仿真平台上对所提算法进行了性能仿真.仿真结果表明，基于置信度传播的协同过滤推荐算法相较于传统算法精确度可提升5.09%.

1 传统协同过滤推荐算法

传统协同过滤算法主要过程为：首先确定一个用户ID（目前活跃用户）和评分数据集作为原始参考数据，找出存在相似爱好的用户集合，这些用户有时也被称为对等用户或近邻.然后，算法利用近邻对当前用户未评分产品p 的评分进行预测.这种方法的潜在假设是：①若近邻用户过去存在类似的喜好，他们以后也存在类似的喜好；②用户喜好不会改变.

如表1 所示，目前五个用户按1～5 分的标准评出的分值.分值越大表示用户对该物品项目的兴趣越大.

表1 协同推荐的评分数据库

系统在得……