針對傳統(tǒng)協(xié)同過濾推薦 算法中由于相似度計算導致推薦精度不足的問題，提出一種基于標簽權(quán)重相似度量方法的協(xié)同過濾推薦算法。首先，通過改進當前算法中標簽權(quán)重的計算，并構(gòu)成用戶標簽權(quán)重矩陣和物品-標簽權(quán)重矩陣;其次，考慮到推薦系統(tǒng)是以用戶為中心進行推薦，繼而通過構(gòu)建用戶物品關(guān)聯(lián)矩陣來獲取用戶對物品最準確的評價和需求;最后，根據(jù)用戶-物品的二部圖，利用物質(zhì)擴散算法計算基于標簽權(quán)重的用戶間相似度，并為目標用戶生成推薦列表。實驗結(jié)果表明，與一種基于“用戶-項目一用戶興趣標簽圖”的協(xié)同好友推薦算法（ UITGCF）相比，在稀疏度環(huán)境為0.1時該算法的召回率、準確率和F1值分別提高了14. 69% 9. 44%、17. 23%。當推薦項目數(shù)量為10時，三個指標分別提高了17. 99%、8. 98%、16.27%。結(jié)果表明基于標簽權(quán)重的協(xié)同過濾推薦算法可有效提高推薦結(jié)果。

　　近年來，隨著物聯(lián)網(wǎng)、云計算和社會網(wǎng)絡等技術(shù)的迅猛發(fā)展，網(wǎng)絡空間中所蘊含的信息量呈指數(shù)級增長1 在大數(shù)據(jù)時代，信息消費者難以在海量數(shù)據(jù)中有效挖掘信息，推薦系統(tǒng)應運而生。推薦系統(tǒng)的主要作用是通過從大量數(shù)據(jù)中檢索最相關(guān)的信息和服務來減少信息過載，從而提供個性化的服務。其在學術(shù)界和工業(yè)界取得了大量相關(guān)研究成果。推薦系統(tǒng)主要應用于在線電子商務網(wǎng)站：21（如eBay、Amazon、阿里巴巴、亞馬遜、豆瓣等） ，社交網(wǎng)絡［3］（如Twitter、Facebook、新浪微博等），信息檢索 （如Google GroupLens、百度等） ，以及移動應用，個性化郵件，基于位置的服務等各個領(lǐng)域。
?