基于改進(jìn)型啟發(fā)式相似度模型的協(xié)同過濾推薦方法

　　為提高協(xié)同過濾推薦方法的準(zhǔn)確性和有效性，提出一種基于改進(jìn)型啟發(fā)式相似度模型的協(xié)同過濾推薦方法PSJ。該方法考慮了用戶評分差值、用戶全局評分偏好和用戶共同評分物品數(shù)三個(gè)因素。PSJ方法的Proximity因子使用指數(shù)函數(shù)反映用戶評分差值對用戶相似度的影響，這樣也可避免零除問題；將NHSM方法中的Significance因子和URP因子合并成PSJ方法的Significance因子，這使得PSJ方法的計(jì)算復(fù)雜度低于NHSM方法；而且為了提高在數(shù)據(jù)稀疏情況下的推薦效果，PSJ方法同時(shí)考慮了用戶間的評分差值和用戶全局評分兩個(gè)因素。實(shí)驗(yàn)采用Top-k推薦中的查準(zhǔn)率和查全率作為衡量標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，當(dāng)推薦物品數(shù)大于20時(shí)，與NHSM、杰卡爾德算法、自適應(yīng)余弦相似度（ ACOS）算法、杰卡爾德均方差（JMSD）算法和皮爾遜相關(guān)系數(shù)算法（SPCC）相比，PSJ方法的查準(zhǔn)率與查全率均有提升。
?