基于距离模型的协同过滤通过计算用户间已知评分的距离，并使用该距离来预测目标用户的未知评分，但该类算法因预测需要使用所有邻居而导致需要大量缓存距离计算结果。针对这一问题，设计了一种融合用户相似性与用户评分距离的个性化推荐算法，基于用户间的相似性对邻居进行筛选，使用筛选之后的邻居集合预测未知评分。基于MovieLens数据与现有几种经典算法进行比较实验，证明了设计方法的有效性，在降低29%邻居数量的基础上，该算法提高了预测准确性、推荐列表排序性能等多个关键指标。
科研之友
微信
新浪微博
Facebook
分享链接
