科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统基于用户和基于标签的协同过滤推荐算法仅采用用户评分显式信息进行分析,浪费掉大量的隐式反馈数据。为将隐式反馈数据加以利用,提出一种用户隐式反馈数据与资源标签相结合的协同过滤推荐算法。对资源-标签利用Gibbs Sampling算法进行采样分析,挖掘推荐系统中资源的主题并建立Latent Dirichlet Allocation (LDA)模型,将隐式反馈数据中的用户行为赋予主题标签以此获取用户标签偏好,并与资源标签计算出的资源相似度相结合,预测用户个性化偏好。在Retailrocket网站行为数据集上的实验结果表明,相较于传统基于隐式反馈和基于标签的协同过滤推荐算法,该算法能有效地解决用户标签模糊和资源主题分析存在偏差的问题,提高个性化推荐准确度。
- 单位
