适应用户兴趣变化的改进型协同过滤算法

被引：13

作者：

胡伟健 ^{[1
]}

滕飞 ^{[1
,2
]}

李灵芳 ^{[1
]}

王欢 ^{[3
]}

机构：

[1] 西南交通大学信息科学与技术学院

[2] 计算机软件新技术国家重点实验室(南京大学)

[3] 电子科技大学计算机科学与工程学院

来源：

计算机应用 | 2016年 / 36卷 / 08期

关键词：

协同过滤; 个性化推荐; 用户兴趣; 欧氏距离; 时效性;

D O I：

暂无

中图分类号：

TP391.3 [检索机];

学科分类号：

081203 ; 0835 ;

摘要：

协同过滤算法可以根据用户的历史行为记录去预测其可能喜欢的物品,是现在业界应用极为广泛的推荐算法。但传统的协同过滤算法并没有考虑到用户兴趣的概念漂移,在一些基于时间的协同过滤算法中对推荐时效性的考虑也有所欠缺。针对这些问题,结合用户兴趣随时间转移的特点,改进了相似度的度量方法,同时引入一种增强的时间衰减模型来度量预测值,并将这两种方式有机地结合起来,解决了用户兴趣的概念漂移问题并考虑了推荐算法的时效性。仿真实验中,分别在不同的数据集中对比了该算法与User CF、TCNCF、PTCF以及TimeSVD++算法的预测评分准确度和TopN推荐准确度。实验结果表明,改进算法能够降低预测评分的均方根误差(RMSE),并在TopN推荐准确度上均优于对比算法。

引用

页码：2087 / 2091

页数：5