基于用户兴趣和项目分类的协同过滤推荐算法

随着用户产生的评分数据的稀疏性越来越高,传统的协同过滤算法在计算用户相似性和项目相似性的过程中暴露出弊端,导致推荐质量急剧下降。针对用户评分矩阵数据稀疏性高、推荐精度低等问题,首先采用用户兴趣分布对评分矩阵预测填充,以降低数据的稀疏性,然后在寻找最近邻居的过程中,提出基于项目分类的修正余弦相似性的度量方法,利用用户评分在项目类别内的偏离程度来改进修正余弦相似性,以寻找更加准确的K近邻。在MovieLens 1m数据集上进行了实验,结果表明,在用户评分数据稀疏性较高的情况下,该方法可以有效地改善传统的余弦相似性,修正余弦相似性度量方法所存在的问题,显著提高了推荐质量。