用户间多相似度协同过滤推荐算法

传统的User-based协同过滤推荐算法仅采用了单一的评分相似度来度量用户之间对任何项目喜好的相似程度。然而根据日常经验,人们对不同类型事物的喜好程度往往是不同的,单一的评分相似度显然无法准确描述这种不同。针对上述问题,提出了一种基于用户间多相似度的协同过滤推荐算法,即基于用户间对不同项目类型的多个评分相似度来计算用户对未评分项目的预测评分。实验结果表明,该算法可以有效地提高预测评分的准确性及推荐质量。

协同过滤技术在电影推荐中的应用

给电影爱好者推荐那些令他们感兴趣的电影,一直是电影推荐系统中的热点问题。通过离线实验分析电影评分网站的用户行为数据,采用User-based CF、Item-based CF两种协同过滤算法实现电影推荐。在实现推荐的同时,利用召回率、准确率、覆盖率3种指标对两种推荐算法的效果进行了评测。