基于惩罚系数的改进协同过滤算法研究

随着大数据时代的到来,信息超载的问题日益凸显.个性化推荐技术可以帮助用户从数量繁多的信息中快速找到适合项目.协同过滤算法在推荐系统中广泛应用,但由于项目体系庞大,传统协同过滤方法的性能在稀疏的用户项目矩阵中表现不佳.针对传统算法受稀疏矩阵影响造成用户相似度计算不准确以及冷启动问题的存在,本文将用户共同评分项目所占比例和评分取值的影响纳入惩罚系数,与聚类分析法得到的用户画像相结合,提出了一种基于惩罚系数的协同过滤算法,以提升推荐系统的质量.实验表明,该算法降低了用户活跃度的影响,在推荐准确性方面有显著提升.