基于商品属性值和用户特征的协同过滤推荐算法
【出 处】:
【作 者】:
高长元
[1]
黄凯
[2]
王京
[1]
张树臣
[1]
【摘 要】为了提高用户相似度计算精度和推荐准确性,缓解数据稀疏性,提出一种基于商品属性值和用户特征的协同过滤推荐算法.该算法首先从用户对商品属性值的偏好出发,计算用户对商品属性值的评分分布和评分期望值,得到用户-属性值评分矩阵;同时利用数据相似性度量方法寻找用户特征邻居,填充用户-属性值评分稀疏矩阵,进而得出目标用户偏好的最近邻居集;计算用户对未评属性值的评分,将目标用户对商品所有属性值评分的均值进行排序,形成该用户的Top-N推荐列表.采用Movie Lens和Book Crossing数据集进行实验,结果表明该算法在缓解数据稀疏性问题上效果较好,推荐精度显著提高.
相关热词搜索: 商品属性值 评分期望值 用户特征 协同过滤
上一篇: 基于支持向量回归机的RFID室内定位研究
下一篇: 基于蚁群算法优化回声状态网络的研究