基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战。针对上述问题，提出了基于属性值偏好矩阵的协同过滤推荐算法，首先采用奇异值分解（SVD）对用户一项目评分矩阵降维得到目标用户的初始邻居用户集，生成新的用户一项目评分矩阵；然后将用户评分映射到相应的项目属性值上，生成每个用户的属性值偏好矩阵，并基于属性值偏好矩阵进行用户相似性度量，从而缓解了评分数据稀疏性；将新项目的属性值与用户的属性值偏好矩阵进行匹配，从而找出匹配度最高的前Ⅳ个用户作为新项目的推荐受众。实验结果表明了该算法的有效性。

基于智能多agent的推荐系统

针对传统推荐系统存在的用户评分稀疏性和系统扩展性问题,提出了一种基于智能多agent的推荐系统MASRS。首先采用余弦公式处理用户-项评分矩阵得到用户初始邻居集;然后将用户评分映射到相应项的属性值上,生成用户-属性值偏好矩阵UPm,并基于此矩阵进行用户相似性度量,得到用户产品推荐集,该方法有效缓解用户评分稀疏性问题;通过智能多agent架构推荐系统,使大量复杂计算在线下进行,从而改善系统存在的扩展性问题。同时实验表明新系统在推荐精度上收敛性更好。