基于评分预测的协同过滤推荐算法  

Collaborative Filtering Recommendation Algorithm Based on Rating Prediction

作　　者：周海平[1,2] 黄凑英 刘妮[2] 周洪波[2] 

机构地区：[1]绍兴文理学院计算机科学与工程系,绍兴312000 [2]贵阳学院数学与信息科学学院,贵阳550005 [3]湖南大学信息科学与工程学院,长沙410082

出　　处：《数据采集与处理》2016年第6期1234-1241,共8页Journal of Data Acquisition and Processing

基　　金：国家自然科学基金(11247286)资助项目;贵州省自然科学基金(黔科合J字LGK[2013]53号;黔科合LH字[2014]7210号;黔科合LH字[2015]7294号)资助项目;贵州省教育厅"网络信息科学"创新团队资助项目

摘　　要：传统的基于评分预测的协同过滤算法在计算用户之间相似性时只针对用户共同评过分的物品计算评分差异,然而由于不同用户共同评分的物品数目不同,使得计算标准不统一,从而导致推荐质量不理想。本文在传统算法的基础上进行改进,新算法在计算相似性的时候一方面考虑了用户共同评分的物品数,另一方面还考虑了物品的热门程度对用户相似性计算的影响。实验结果表明,新算法在推荐准确率和召回率上都比传统算法提高了1倍以上。研究还发现在算法中使用Pearson相关系数明显好于使用欧氏距离作相似性度量标准得到的推荐效果。T raditional collaborative filtering algorithm calculates the difference of scores only for the com‐mon items of users while calculating the similarity of users .Owing that the numbers of common items of different users is not the same ,the recommendation quality is not reliable .We proposed a new algo‐rithm ,taking both the number of common items and the popularity of goods into consideration while cal‐culating the similarity of users .Experimental results show that ,the recommendation quality of new al‐gorithm is improved by more than one time than traditional algorithm in both precision and recall .In ad‐dition ,results also show that using Pearson correlation as similarity metric obtained higher recommenda‐tion quality than Euclidean distance .

关 键 词：推荐系统 协同过滤 相似性 召回率 准确率 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]