社交网络下非结构化数据协同过滤推荐算法改进

摘要

现代社交网络中存在着数量巨大且无序的非结构化数据,针对非结构化数据采取协同过滤十分必要.传统的基于用户的协同过滤推荐算法由于其本身原理,其相似性计算的时间复杂度极高,本文通过引入粗集,高速分割用户和用户项目,直接计算分割后各组质心与初始用户的相似性来解决该问题.但数据易稀疏以及冷启动的问题仍未解决,对此在引入粗集的基础上加入信任概念,根据用户信任度以及信任的传递性缓解以上问题.在增强精确度的基础上还提高推荐速度.该模型还可以方便的扩展.