一种有效缓解数据稀疏问题的协同过滤推荐算法

详细信息    查看全文 | 推荐本文 |

英文篇名：Collaborative Filtering Recommendation Algorithm for Alleviating Data Sparsity 作者：程芳 ; 沈红岩 ; 赵艳 英文作者：Cheng Fang;Shen Hongyan;Zhao Yan;College of Information Science and Technology,Agricultural University of Hebei; 关键词：电子商务 ; 推荐系统 ; 协同过滤 ; 直接相似度 ; 间接相似度 ; 关键人物 英文关键词：e-commerce;;recommending system;;collaborative filtering;;direct similarity;;indirect similarity;;key figures 中文刊名：XDQB 英文刊名：Journal of Modern Information 机构：河北农业大学信息科学与技术学院; 出版日期：2016-03-15 出版单位：现代情报 年：2016 期：v.36;No.297 基金：保定市科学技术研究与发展指导计划项目“基于协同过滤的农业信息推荐系统的研究与开发”(项目编号:14ZN019);“农网中工控网络信息安全攻击监测方法的研究”(项目编号:14ZS005);; 河北农业大学校基金“基于智能手机的三农科技信息服务体系的关键技术研究”(项目编号:LG201308) 语种：中文; 页：XDQB201603013 页数：4 CN：03 ISSN：22-1182/G3 分类号：78-81

摘要

传统协同过滤推荐算法依据共同评分项目计算用户相似度,进而产生推荐项目。然而,随着用户和商品数量的不断增加,用户共同评分的项目会越来越少,甚至没有,因此传统协同过滤推荐算法对用户之间相似度的衡量将会越来越不准确,从而影响推荐系统的性能。针对这一问题,本文对用户相似度的计算方法进行了改进,提出直接相似度和间接相似度的概念,同时引入关键人物权重,进一步提高推荐系统的准确性。
        In traditional collaborative filtering recommendation Algorithm,similarity of users is often calculated based on common ratings,and then the recommended items are produced. However,with the increasing number of users and products,the common rated items will be less and less,and even no. So the measure of the similarity of users will be more and more inaccurate,and thus it will affect the performance of the recommendation system. In order to solve this problem,the method of calculating the similarity of users is improved,and the concepts of direct similarity and indirect similarity are put forward. At the same time,in order to further improve the accuracy of the recommendation system,the key figure is introduced into the system.

引文

[1]许海玲,吴潇,李晓东,等.互联网推荐系统比较研究[J].软件学报,2009,20(2):350-362.
    [2]夏建勋,吴非,谢长生.应用数据填充缓解稀疏问题实现个性化推荐[J].计算机工程与科学,2013,35(5):15-19.
    [3]郝立燕,王靖.基于填充和相似性信任因子的协同过滤推荐算法[J].计算机应用,2013,33(3):834-837.
    [4]张玉芳,代金龙,熊忠阳.分步填充缓解数据稀疏性的协同过滤算法[J].计算机应用研究,2013,30(9):2602-2605.
    [5]黄永锋,覃罗春.一种有效缓解协同过滤推荐评价数据稀疏问题的算法[J].东华大学学报:自然科学版,2013,39(1):83-87.
    [6]黄国言,李有超,高建培,等.基于项目属性的用户聚类协同过滤推荐算法[J].计算机工程与设计,2010,31(5):1038-1041.
    [7]崔春生,吴祈宗,王莹.用于推荐系统聚类分析的用户兴趣度研究[J].计算机工程与应用,2011,47(7):226-228.
    [8]吴潮,王永吉,王哲,等.两阶段联合聚类协同过滤算法[J].软件学报,2010,21(5):1042-1054.
    [9]李改,李磊.基于矩阵分解的协同过滤算法[J].计算机工程与应用,2011,47(30):4-7.
    [10]杨阳,向阳,熊磊.基于矩阵分解与用户近邻模型的协同过滤推荐算法[J].计算机应用,2012,32(2):395-398.
    [11]曾庆辉,邱玉辉.一种基于协作过滤的电子图书推荐系统[J].计算机科学,2005,32(6):147-150.
    [12]刘东辉,彭德巍,张晖.一种基于时间加权和用户特征的协同过滤算法[J].武汉理工大学学报,2012,34(5):144-148.
    [13]刘庆鹏,陈明锐.优化稀疏数据集提高协同过滤推荐系统质量的方法[J].计算机应用,2012,32(4):1082-1085.
    [14]郭均鹏,王启鹏,宁静,等.基于符号数据与非负矩阵分解法的混合推荐算法[J].系统管理学报,2015,24(3):372-378.