联合用户兴趣矩阵及全局偏好的推荐算法

TP311; 如何从大量无序的信息中向用户准确推荐其最感兴趣的信息,是推荐系统研究领域的重要课题.为此提出一种融合用户兴趣矩阵及全局偏好的推荐算法,用于个性化服务推荐.首先,引入兴趣标签机制形成用户兴趣链,对用户服务评分集合中未评价服务进行填充,对已评价服务进行互补,从而形成用户兴趣矩阵;其次,采用兴趣矩阵的欧几里德距离进行局部相似度计算;最后,联合用户认知差异和全局行为差异形成全局偏好相似度.算法在有效融入了用户的个性化偏好信息的同时,减少了数据集稀疏性,提高了推荐的准确性.在真实的MovieLens lM数据集上进行的大量实验表明,与当前具有代表性的推荐算法相比,算法显著提高了推荐精度....

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 12; no. 2; pp. 197 - 207
Main Authors 张以文, 艾晓飞, 崔光明, 钱付兰
Format Journal Article
LanguageChinese
Published 安徽大学计算智能与信号处理教育部重点实验室,合肥230031 2018
安徽大学计算机科学与技术学院,合肥230601%安徽大学计算机科学与技术学院,合肥,230601
Subjects
interest chain
collaborative filtering
兴趣矩阵
全局偏好
协同过滤
similarity
相似度
interest matrix
兴趣链
global preference
Online AccessGet full text

Cover

More Information
Summary:TP311; 如何从大量无序的信息中向用户准确推荐其最感兴趣的信息,是推荐系统研究领域的重要课题.为此提出一种融合用户兴趣矩阵及全局偏好的推荐算法,用于个性化服务推荐.首先,引入兴趣标签机制形成用户兴趣链,对用户服务评分集合中未评价服务进行填充,对已评价服务进行互补,从而形成用户兴趣矩阵;其次,采用兴趣矩阵的欧几里德距离进行局部相似度计算;最后,联合用户认知差异和全局行为差异形成全局偏好相似度.算法在有效融入了用户的个性化偏好信息的同时,减少了数据集稀疏性,提高了推荐的准确性.在真实的MovieLens lM数据集上进行的大量实验表明,与当前具有代表性的推荐算法相比,算法显著提高了推荐精度.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1611020