通过评分特征优化基于K近邻的协同过滤算法

摘要

个性化推荐系统通常以用户兴趣为标准,为用户提供个性化的推荐信息.K-最近邻模型(KNN)是在推荐系统算法中使用频率最高的一个以相似度计算为核心的模型,然而在用户评分数据稀疏的情况下,很难准确计算出用户相似度,容易出现将实际相似度过分放大或缩小的问题,从而影响推荐算法的运行.针对上述问题,文中基于用户与用户之间的“共同特征”与“不同特征”,构建新的相似度计算方法,并把这种方法应用在基于K近邻的协同过滤算法中.实验结果表明,通过评分特征优化的K近邻协同过滤算法比传统的K近邻协同过滤算法的MAE与RMSE值更低,具有更高的准确度.