基于用户兴趣变化的协同过滤推荐算法

摘要

文章将用户兴趣设定为变量,重新定义了相似度以及评分预测的计算方法,在一定程度上提高了经典协同过滤推荐算法的精确度;提出结合用户评分时间以及用户访问次数的时间权重模型来描述用户兴趣的变化,使得相似度以及评分预测的计算结果更加合理.实验结果表明,新算法比传统基于项目的协同过滤算法降低了约8％的平均绝对误差、提高了约15％的准确率以及18％的召回率,在一定程度上改善了推荐系统的推荐效果.该算法仅在MovieLens数据集上进行实验测试,还需要在其他数据集上进行检验.