认同度修正下的近相邻改进推荐算法研究

如何融合多方因素准确地为用户提供个性化产品一直是关注的热点问题,由此,一个新的近相邻改进算法融入了大众化认同度和个性化认同度,利于更加高效地挖掘隐藏信息。实验结果表明,相对于传统近相邻算法,认同度修正算法虽然查全率小幅度上下波动,但其他多个评价指标都得到极大提升,假正率和深度有所减少,查准率、F1值和提升度得以增加,并且,受试者特征曲线和提升曲线也都说明此修正算法具有更为显著的推荐效果。

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。