用户需求网络信息的优先协同过滤推荐仿真

针对传统用户需求网络信息的优先协同过滤推荐方法存在推荐准确度较低、推荐范围小等问题,提出基于相似性度量的用户需求网络信息优先协同过滤推荐方法。根据目标网络用户对网络信息需求的感兴趣程度对用户进行分组,引用贝叶斯算法计算用户具有不同特征时对网络信息需求的喜好程度。在项目近似度公式中引入用户对项目的喜好程度概率值计算项目间的相似度,得到最高相似度邻居项目的评分。再利用云模型计算用户的相似度得到邻近用户,得到最终的预测评分,将预测评分值较高的前几个项目优先推荐给用户,完成推荐。仿真结果表明,相比传统的协同过滤推荐方法,所提方法可在一定程度上提高推荐准确度和推荐覆盖率,能够更准确的为用户提供所需要的网络信息。