融合CatBoost的改进协同过滤推荐方法

传统协同过滤算法存在推荐精度不高、用户冷启动的问题。为解决以上问题,提出一种融合改进协同过滤与集成学习算法CatBoost的推荐方法,并讨论不同情况下推荐方法的多样性表现。该方法引入基于相对相似度指数(RSI)的重要最近邻(SNN)方法识别最近邻进行推荐预测;使用原始数据集训练CatBoost模型对改进协同过滤产生的召回集进行二次预测,并使用原始数据集对存在冷启动的用户进行预测,有效缓解冷启动问题;最后使用公开数据集Movie Lens进行比较实验,并讨论了在选择不同最近邻和TopK值时协同过滤算法的多样性表现。实验结果表明,改进协同过滤算法在准确率、召回率、F1 measure上均取得了更好的精度表现;融合CatBoost的改进协同过滤推荐方法虽相较融合随机森林和XGBoost的推荐方法有一定的多样性损失,但获得了更好的推荐精度。