一种改进的兴趣相似度个性化推荐算法

摘要

传统的协同过滤推荐算法在进行相似度计算时主要考虑用户对物品的评分,通过评分获取用户之间的相似度,缺少对用户兴趣相似度的考虑,同时在进行相似度计算时未考虑用户自身属性的影响,其相似度计算存在一定的失真性。针对这一问题,提出一种改进的兴趣相似度个性化推荐算法,根据不同的用户对物品的兴趣会因用户的自身属性不同而存在差别,设计一种改进的兴趣相似度计算方法,在进行兴趣相似度计算时引入用户的自身属性因素,如年龄、性别等属性因素;根据用户对物品的兴趣会受到物品的热门程度的影响,提出物品热点影响率与物品属性满意度的概念,并根据物品的热点影响率与物品属性满意度在计算相似度时赋予物品不同的权重关系;根据用户的兴趣会随着时间的变化而发生改变,将时间因素加入到推荐过程中,最终通过融合时间因子的影响做出最终的评分预测。在MovieLens数据集上的实验结果表明,该算法的平均绝对误差(MAE)和均方根误差(RMSE)值更低,推荐效果更优。