基于条目流行度的协同过滤推荐优化算法

传统的基于条目(Item-based)的协同过滤算法在推荐系统中占有着举足轻重的作用,本文提出了一种针对该推荐算法的优化方法 ,抓住条目在时间维度上的评分变化规律,提出基于条目流行度的相似性计算方法 ,并通过组合其与条目内容的相似性,来改进传统的条目相似性计算方法。使得计算结果更符合实际场景,更适合在运用在实际推荐系统中,实验结果表明,本文提出的算法由于考虑到时间维度的因素,使得计算结果更加准确,并且可以显著的提高推荐精度。

自适应用户的Item-based协同过滤推荐算法

传统Item-based协同过滤算法计算两个条目间相似性时,将每个评分视为同等重要,忽略了共评用户(对两个条目共同评分的用户)与目标用户间的相似性对条目间相似性的影响。针对此问题,提出了一种自适应用户的Item-based协同过滤算法。该算法将共评用户与目标用户的相似性作为共评用户评分重要性的权重,以实现针对不同的目标用户,为目标条目选择不同的、适合目标用户的最近邻居集,从而提高推荐准确性。实验结果表明,提出的算法可以显著提高推荐系统的推荐质量。