科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统协同过滤推荐通常基于数据是静态的假设，在数据稀疏时存在推荐精度低下的问题。为解决该问题，一些研究尝试向推荐策略中添加有关用户兴趣变化、推荐能力可信度等补充信息，但对误导或干扰推荐的恶意用户兴趣策略变化和推荐能力波动等异常情况欠缺考虑，系统抗攻击性、推荐稳定性与可信性均难以得到保证。通过引入兴趣时效相似度和推荐信度重估两个概念，提出了一种基于时效近邻可信选取策略的协同过滤推荐方法。该方法充分考虑了影响目标用户近邻筛选质量的用户兴趣异常变化和推荐能力波动两个关键因素，构建了包含时效近邻筛选、可信近邻选取和评分预测3个策略的推荐流程。在MovieLens数据集和亚马逊video game数据集上，利用平均绝对误差，平均预测增量，攻击用户查准率、查全率和调和平均等评估指标，对所提策略与其他6种基准策略进行了比较。结果显示，新策略在推荐精度、抗攻击力和攻击者识别力上均有明显的性能提升。
-
单位南京审计大学
