科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统协同过滤推荐算法存在评分数据稀疏性、用户评分偏好缺失性、传统相似性度量局限性的问题．提出一种基于物品预测得分与基于用户偏好得分的2阶段联合推荐算法：第1阶段，使用基于物品的预测得分补全评分矩阵，利用时间权重因子改进物品相似度；第2阶段，先利用评分偏好模型将完整的评分矩阵转化为针对评分类别的用户评分偏好矩阵，再通过该矩阵使用基于用户的协同过滤算法计算偏好得分，利用用户共同评分数权重改进用户相似度，最后将基于物品的预测得分联合基于用户的偏好得分作为目标用户的综合预测评分．实验结果表明，在不同近邻用户数和不同推荐列表长度下，该算法的准确率和召回率均优于传统协同过滤算法，且针对不同稀疏度数据集，该算法的MAE增量值降低了8%～24.6%，具有更高的推荐精度和准确度．
- 单位
