基于改进相似度的协同过滤算法

在个性化推荐算法中,相似度计算方法是决定推荐算法准确度的关键因素之一。在MovieLens数据集下,传统相似度的计算没有考虑用户共同评分项目、用户评分时间及用户平均评分的影响,以至于在数据稀疏的情况下不能很好地度量用户间的相似度,导致推荐结果不准确,因此,就以上问题,提出加入三个修正因子改进传统的相似度计算方法。在MovieLens数据集下,实验结果表明,改进后的协同过滤算法的平均绝对误差(MAE)比基于改进相似性度量的项目协同过滤推荐算法(ICF_IPSS)低7.4%,比基于加权多融合偏好与结构相似度的协同过滤算法(MCF)低6%,比协同过滤的相似度融合改进算法(ICF_SI)低1%,可见改进的算法在推荐准确性方面有显著的提高。