本发明涉及协同过滤算法技术领域,具体涉及一种基于用户动态行为相似性的在线协同过滤内容推荐算法,包括用户特征矩阵P、商品特征矩阵Q和用户商品评分矩阵R,所述用户特征矩阵P,大多线上或线下协同过滤算法都假定用户兴趣在整个过程中保持不变。但是用户偏好以及商品的受欢迎程度都是随时间不断变化的,所以在线协同过滤的参数是随时间相关动态更新。在线协同过滤算法过程中,用户的近邻也是不断变化的。因此为了提高推荐的准确率,我们将动态的信息考虑加入推荐算法并将近邻算法融入在线协同过滤算法中,提出一种基于用户动态行为相似性的在线协同过滤推荐算法。通过MovieLens100K,MovieLens1M and HetRec2011三个数据集实验发现本算法相比于其他算法有一定的优势。
展开▼