融合用户兴趣的协同过滤算法

摘要

cqvip:传统的协同过滤算法存在三个问题:一是推荐初始阶段的冷启动问题;二是评分矩阵的数据稀疏问题;三是近考虑评分导致的相似度衡量不准确问题。三个问题导致用户相似性衡量准确性降低,最终导致推荐精准度的下降。本文考虑将网站或应用中挖掘到的用户兴趣,融入到协同过滤的用户相似性计算中。一方面可以解决协同过滤中的数据稀疏和冷启动的问题,另一方面也可以提高预测推荐的精准性。因此,本文提出了融合用户兴趣的协同过滤算法CFUI。CFUI改进了协同过滤算法中用户相似度的评估方法,在其中加入用户间兴趣的相似度。本文进行了融合参数μ最优取值的实验,随后通过实验证实了融合用户兴趣的算法CFUI比未融合用户兴趣的两个算法(UserCF和ItemCF)能够取得更小的推荐MAE,即CFUI的推荐效果更精确。