基于巴氏系数与矩阵分解的推荐算法

摘要

针对传统的协同过滤算法的数据稀疏性以及相似度计算中对用户的共同评分项过度依赖问题,提出一种改进相似度与矩阵分解的协同过滤推荐算法.首先,利用矩阵分解对用户评分矩阵降维处理,缓解数据稀疏对推荐准确率的影响;其次,将巴氏系数融入到用户的相似度计算公式中,解决传统计算方法中依赖于用户间的共同评分信息的问题,并将用户属性相似度与改进的相似度加权融合,解决系统新用户的评分数据稀少问题;最后,根据预测评分给目标用户生成推荐.将该算法在MovieLens数据集上与传统协同过滤算法、基于巴氏系数与用户属性改进的算法以及基于矩阵分解的推荐算法进行准确率、召回率、F1值对比分析.实验结果表明,当邻居个数为25时,与后三种算法相比,所提出算法的准确率分别提高了38.89％、37.97％、33.71％;召回率分别提高了38.92％、38.05％、33.84％;F1值分别提高了38.88％、38.02％、33.74％.