基于用户推荐影响度的并行协同过滤算法

摘要：

基于共同评分与项目全集的相似度未甄别近邻的推荐影响力,导致推荐质量低,可扩展性差.为此,提出了一种基于推荐影响度的并行协同过滤算法.该算法通过非共同评分项目、共同评分项类以及用户访问次数来计算用户推荐新颖度与兴趣重合度以度量用户推荐能力,并融入相似性计算来抑制相似度高但推荐力不强的用户,避免在项目全集上计算相似度,从而提高推荐质量;通过MapReduce并行化,使其具备良好的实时性和可扩展性.实验结果表明,该算法在海量数据集上的推荐质量更高,可扩展性更强.

关键词：推荐影响度、推荐新颖度、兴趣重合度、MapReduce并行化

所属期刊栏目：44

分类号：TP312(计算技术、计算机技术)

资助基金：河北省高等学校科学技术研究重点项目ZD2014061;青年基金项目QN2016108

在线出版日期：2017-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：250-255,271