多層次混合的協(xié)同過濾推薦算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評論(0)
針對傳統(tǒng)協(xié)同過濾推薦算法在數(shù)據(jù)稀疏的情況下存在的性能缺陷和相似性度量方法的不足,為了提高推薦精度,改進(jìn)原算法得到了一種基于多層次混合相似度的協(xié)同過濾推薦算法。該算法主要分為三個(gè)不同的層次:首先采用模糊集的概念將用戶評分模糊化,計(jì)算用戶的模糊偏好,并結(jié)合用戶評分的修正余弦相似度和用戶評分的Jarccad相似度總體作為用戶評分相似度;再對用戶評分進(jìn)行分類來預(yù)測用戶對項(xiàng)目類別的興趣程度,從而計(jì)算出用戶興趣相似度;然后利用用戶的特征屬性來預(yù)測用戶之間的特征相似度;其次根據(jù)用戶評分?jǐn)?shù)量來動(dòng)態(tài)地融合用戶興趣相似度及用戶特征相似度;最后融合三個(gè)層次的相似度作為用戶混合相似度的結(jié)果。利用MovieLens公用數(shù)據(jù)集對改進(jìn)前后的算法進(jìn)行對比實(shí)驗(yàn),結(jié)果表明:當(dāng)在鄰居集合數(shù)量較少時(shí),改進(jìn)的混合算法相對修正余弦相似度算法的平均絕對偏差( MAE)下降了5%左右;較改進(jìn)的修正的Jaccard相似性系數(shù)的協(xié)同過濾(MKJCF)算法也存在略微的優(yōu)勢,隨著鄰居集合數(shù)的增加MAE也平均下降了1%左右。該算法采用多層次的推薦策略提高了用戶的推薦精度,有效地緩解了數(shù)據(jù)稀疏性問題和單一度量方法的影響。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%