标签相关度加权的协同过滤个性化推荐算法

现有的基于标签的协同过滤推荐方法虽然利用标签区分信息的属性,但是并不考虑标签本身的相关性,使得多数情况下信息推荐结果倾向于热门或常用标签,影响了推荐质量。针对上述问题,引入衡量标签之间的关联程度的指标——标签相关度,并基于此计算标签与信息之间对应关系的概率,从而建立一种新的标签相关度加权的协同过滤推荐算法。利用标签相关度来解决权重偏差问题,平衡热门信息和个性化信息的权重。主要方法是建立基于标签相关度特征表示的用户和信息表示,并通过特征相似性度量方法计算标签相关度加权的信息相似度,最后采用K最近方法对用户-信息偏好进行预测。实验结果表明,该方法与表现较好的LS和LW算法相比,能够在一定程度上提高推荐的精确度和召回率,更好地满足用户的实际需求。