一种基于相对相似性提高推荐总体多样性的协同过滤算法

摘要：

[目的]以提高推荐系统的总体多样性为出发点,解决因为用户评分数据分布不均和稀疏造成的误差从而影响推荐精确性和多样性问题.[方法]根据用户间共同评分项目的数量,通过加权计算得出相对相似性指数,修正相似性计算方法,进而优化预测评分算法,在保证推荐精确性的前提下提高总体多样性,提升企业的长尾营销效果.[结果]实验结果表明,当评分阈值为3.5,最近邻数目为20时,本文方法在MovieLens数据集上的计算结果相对于采用传统的余弦相似性计算结果,总体多样性提高了1 14,精确性提高了6.5％.[局限]仅适用于基于最近邻的协同过滤算法,并不涉及其他推荐技术.[结论]该方法有效地提高了推荐的总体多样性,获得推荐精确性和总体多样性用户相对满意度都较高的推荐结果.

关键词：总体多样性、相对相似性、协同过滤

分类号：TP301(计算技术、计算机技术)

在线出版日期：2017-03-13（万方平台首次上网日期，不代表论文的发表时间）

页码：44-49