基于人工智能的社交网络用户行为数据周期推荐算法

摘要：

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法.首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐.实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2％,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量.

关键词：协同过滤、社交网络、用户行为、相似度、数据推荐

所属期刊栏目：20

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金41071262

在线出版日期：2020-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：11647-11652