基于基准相似空间分布优化的偏好预测方法

摘要：

针对现有推荐系统所采用的行为相似度度量方法,受数据稀疏性的影响难以获取到用户真正的偏好最近邻,影响了推荐准确度的问题,提出了一种结合基准相似空间分布优化的用户偏好获取方法.首先通过余弦相似度、修正的余弦相似性、皮尔森相关系数等偏好行为相似程度度量方法,获取用户与用户间原始的偏好行为近似程度,根据近似程度的分布特征首先获取偏好中心点,并根据偏好行为近似程度距偏好中心点的行为距离获取平均相似幅度,进而生成基准相似空间,通过建立基于平均近邻与异常评分交互影响的修正模型,优化基准相似空间,并据此为用户生成推荐列表.在大规模真实数据集上的实验结果表明:所提出方法与现有方法 WSCF与OTCF相比,平均绝对误差分别降低了12.8% 与9.7%,覆盖率分别提升了5.79% 与3.83%,多样性与WSCF基本一致,相比OTCF增加了近4.3%,即是所提出方法提升了推荐精度与推荐质量.

关键词：偏好中心点、平均近邻、相似修正、基准相似空间、推荐系统

所属期刊栏目：55

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金项目61373146,61572401,61672426;陕西省教育厅科学研究项目2013JK1178This work was supported by the National Natural Science Foundation of China61373176,61572401,61672426;the Science Research Plan of Shannxi Education Department2013JK1178

在线出版日期：2018-06-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：977-985