基于KL散度与JS散度相似度融合推荐算法

作者：胡文; 景玉海^*

来源：哈尔滨商业大学学报(自然科学版), 2020, 36(01): 48-53.

DOI：10.19492/j.cnki.1672-0946.2020.01.011

• KL散度
• 隐狄利克雷
• JS散度
• 推荐算法
• Yelp
• 相似度
• 数据稀疏

针对目前大多数推荐算法在计算项目或用户之间的相似度时只依赖于用户之间的共同评分项,由于用户-项目签到矩阵的高稀疏性,导致推荐结果不准确问题,提出一种改进的协同过滤推荐算法.该算法基于每个项目基分值概率分布使用KL散度计算项目之间的显性反馈相似度,再融合隐狄利克雷主题分配模型,得到每个项目属于T个主题的概率分布,使用JS散度计算出项目之间隐性反馈相似度,将两个相似度融合后融入到传统基于项目的协同过滤算法中并应用到兴趣点推荐,缓解数据稀疏性问题的同时提高了推荐质量.在点评数据集Yelp上进行实验验证,得出该推荐算法比传统的推荐算法更优.

• 单位
  哈尔滨商业大学