多層次混合的協(xié)同過(guò)濾推薦算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法在數(shù)據(jù)稀疏的情況下存在的性能缺陷和相似性度量方法的不足，為了提高推薦精度，改進(jìn)原算法得到了一種基于多層次混合相似度的協(xié)同過(guò)濾推薦算法。該算法主要分為三個(gè)不同的層次：首先采用模糊集的概念將用戶評(píng)分模糊化，計(jì)算用戶的模糊偏好，并結(jié)合用戶評(píng)分的修正余弦相似度和用戶評(píng)分的Jarccad相似度總體作為用戶評(píng)分相似度；再對(duì)用戶評(píng)分進(jìn)行分類來(lái)預(yù)測(cè)用戶對(duì)項(xiàng)目類別的興趣程度，從而計(jì)算出用戶興趣相似度；然后利用用戶的特征屬性來(lái)預(yù)測(cè)用戶之間的特征相似度；其次根據(jù)用戶評(píng)分?jǐn)?shù)量來(lái)動(dòng)態(tài)地融合用戶興趣相似度及用戶特征相似度；最后融合三個(gè)層次的相似度作為用戶混合相似度的結(jié)果。利用MovieLens公用數(shù)據(jù)集對(duì)改進(jìn)前后的算法進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明：當(dāng)在鄰居集合數(shù)量較少時(shí)，改進(jìn)的混合算法相對(duì)修正余弦相似度算法的平均絕對(duì)偏差（ MAE）下降了5%左右；較改進(jìn)的修正的Jaccard相似性系數(shù)的協(xié)同過(guò)濾（MKJCF）算法也存在略微的優(yōu)勢(shì)，隨著鄰居集合數(shù)的增加MAE也平均下降了1%左右。該算法采用多層次的推薦策略提高了用戶的推薦精度，有效地緩解了數(shù)據(jù)稀疏性問(wèn)題和單一度量方法的影響。
?
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%