基于隐式数据和Apriori的协同过滤推荐算法

摘要：

针对传统协同过滤推荐算法对目标客户进行个性化推荐时,因用户评价数据和物品属性等显式数据稀疏,造成推荐商品的准确率和质量相对较差的问题,本文基于隐式数据和Apriori算法对协同过滤推荐算法做出改进.首先,算法基于隐式数据中用户对商品的行为和用户对商品的评价,建立用户对商品的评分偏好模型,用以构建原始评分数据;其次,利用Apriori算法找出用户行为数据集中商品的强关联规则,利用输出的关联规则对原始评分数据进行降维,并进行相似度计算,确定用户之间的相似性,根据计算结果来确定目标用户的近邻集合;最后,算法通过度量后的最近邻居来计算目标用户对特定商品的预测评分.从数据集中分别采取70000条数据和30000条数据进行算法测试,测试结果表明改进后的推荐算法与基于用户的协同过滤算法相比准确率和召回率分别提高了1.56％和0.23％;和基于项目的推荐算法相比准确率和召回率分别提高了4.39％和0.92％,证明基于隐式数据和Apriori算法改进的协同过滤算法,在缓解数据稀疏的同时,能提高推荐的准确率.

关键词：Apriori算法、关联规则、协同过滤算法

所属期刊栏目：12

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：200-203,207