基于记忆激活理论的协同过滤推荐算法

摘要

为了解决传统协同过滤推荐算法没有考虑时间上下文而导致推荐准确度不高的问题，本文提出了一种基于遗忘曲线和记忆激活理论的多阶段兴趣度计算函数。首先在相似度计算公式中引入时间权重函数；然后利用在重复学习条件下的艾宾浩斯遗忘曲线模拟兴趣度的多阶段变化；最后基于记忆激活理论给出了重复学习后兴趣度最大值的计算公式。实验表明，该算法与现有的基于时间上下文的协同过滤推荐算法相比有较好的推荐效果。