完全冷启动下的个性化推荐算法

为解决推荐算法中新物品完全冷启动问题,针对数据精准性不足和用户个性化缺失问题,提出一种完全冷启动个性化推荐算法。在运用过滤方法形成精准数据的基础上,引入个性化因子,改变原有物品的相似关联性,推荐依据会随着用户个性化特征而有所变动。经过对比分析,发现融入个性化的完全冷启动推荐算法仅查全率基本不变,精确率、假正率和F1值多个评价指标得到提升,此外,P-R曲线、ROC曲线以及提升曲线都说明该算法具有更好的推荐效果。