基于协同过滤的用户大数据周期智能推荐算法

摘要

由于现有的用户大数据推荐算法普遍存在数据稀疏与准确度问题,提出了一种结合用户相似度与路径相似度的协同过滤算法。在分析兴趣偏好时,采用TF-IDF策略得到用户与某属性的兴趣度矩阵,考虑到兴趣的时间影响与稀疏特性,引入时间衰减公式和稀疏信息补充规则。在分析评分差异时,考虑到评价数据的杂乱性,采取信息熵进行计算用户相似性,上述过程引入时间间隔权重来处理时间影响。最后构建行为路径,利用距离计算判断用户行为的相似性,并将各相似度得到的推荐结果进行合并,得到最终推荐。通过MovieLens-1M与sample Criteo数据集,对算法的MAE、、和AUC指标进行对比验证,结果表明,所提算法可以通过兴趣与用户行为,获得更好的表达性能,降低对相似用户信息的依赖,具有良好的抗稀疏性能和推荐准确性。