基于改进型协同过滤算法的研究

个性化推荐一直是互联网商品的重要特点,精准的个性化推荐一方面能够准确地定位市场,另一方面能够带来更好的用户体验。尽管基于不同的应用场景下的推荐算法种类越来越多,但是推荐算法的智能性、精准性、稳定性还有待提高。针对个性化的精准推荐需求,提出了一种基于用户的改进型协同过滤算法。该算法主要解决由于不同用户存在不同的评价体系造成的评分偏差以及用户由于本身的特征属性(年龄、兴趣、性别)的不同造成的评分偏差,进而造成余弦相似度计算偏差变大的问题。针对该问题,提出了一种融合型的余弦相似度计算方法,该方法包括一个相似度修正参数α和一个用户特征属性向量β→,前者主要解决不同用户评价体系带来的偏差问题,后者是为了解决用户自身的特征属性不同产生的偏差问题。根据协同过滤算法应用在电影评分推荐实验上的分析表明,改进型协同过滤算法大大提高了实验效率和推荐准确率。