科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对推荐系统中的传统协同过滤算法刻画邻居差异不够深入、忽略用户兴趣漂移、冷启动问题仍然存在、矩阵分解算法可解释性差且单一推荐算法适应性不强的问题,提出了一种动态信任衰减和信息匹配的协同过滤混合推荐算法(DTDIM-CF)。该算法考察用户间公共评分个数和时间信息调整用户或物品邻居选择机制、引入时间因子造成的信任衰减概念重新定义近邻影响以改进协同过滤算法,提出一种相似度计算的主观评分规范化方法。根据算法初步推荐和历史信息的不匹配度,将改进后的两种动态信任协同过滤算法与矩阵分解算法按照特定规则进行混合,采用二次矩阵分解解决算法的冷启动问题。在真实MovieLens电影数据集上的实验表明,改进后的算法能有效降低推荐误差、提高推荐精度,混合推荐使得算法的可解释性、可扩展性均有了很大改善。
- 单位
