【摘要】：針對傳統(tǒng)協(xié)同過濾推薦算法遇到冷啟動情況效果不佳的問題,提出一種基于項目相似性度量方法(IPSS)的項目協(xié)同過濾推薦算法(ICF_IPSS),其核心是一種新的項目相似性度量方法,該方法由評分相似性和結(jié)構(gòu)相似性兩部分構(gòu)成:評分相似性部分充分考慮兩個項目評分之間的評分差、項目評分與評分中值之差,以及項目評分與其他評分平均值之差;結(jié)構(gòu)相似性部分定義了共同評分項目占所有項目比重,并懲罰活躍用戶的逆項目頻率(IIF)系數(shù)。在Movie Lens和Jester數(shù)據(jù)集下測試算法準確率。在Movie Lens數(shù)據(jù)集下,當近鄰數(shù)量為10時,ICF_IPSS的平均絕對偏差(MAE)和均方根誤差(RMSE)分別比基于Jaccard系數(shù)的均方差異系數(shù)的項目協(xié)同過濾算法(ICF_JMSD)低3.06%和1.20%;當推薦項目數(shù)量為10時,ICF_IPSS的準確率和召回率分別比ICF_JMSD提升67.79%和67.86%。實驗結(jié)果表明,基于IPSS的項目協(xié)同過濾算法在預(yù)測準確率和分類準確率方面均優(yōu)于基于傳統(tǒng)相似性度量的項目協(xié)同過濾算法,如ICF_JMSD等。
[Abstract]:In order to solve the problem that the traditional collaborative filtering recommendation algorithm has a poor effect on cold start, a project collaborative filtering recommendation algorithm (ICF_IPSS) based on item similarity measurement method (IPSS) is proposed, the core of which is a new project similarity measurement method. The method consists of two parts: score similarity and structural similarity: the score similarity part fully considers the difference between the two items, the difference between the item score and the median score, and the difference between the item score and other average scores; The structural similarity part defines the proportion of common scoring items to all items and penalizes the inverse item frequency (IIF) coefficient of active users. The accuracy of the algorithm is tested under Movie Lens and Jester data sets. Under the Movie Lens dataset, When the number of nearest neighbors is 10:00, the average absolute deviation (MAE) and root mean square error (RMSE) are 3.06% and 1.20% lower than those of the ICF_JMSD algorithm based on Jaccard coefficient, respectively, and the accuracy and call rate of ICFIPSS are lower when the number of recommended items is 10:00. The return rate was 67.79% and 67.86% higher than that of ICF_JMSD, respectively. The experimental results show that the project collaborative filtering algorithm based on IPSS is superior to the item cooperative filtering algorithm based on traditional similarity measure in prediction accuracy and classification accuracy, such as ICF_JMSD, etc.
【作者單位】： 東北農(nóng)業(yè)大學(xué)工程學(xué)院;東北農(nóng)業(yè)大學(xué)理學(xué)院;
【基金】：公益性行業(yè)(農(nóng)業(yè))科研專項二級任務(wù)(201503116-04-06) 黑龍江省博士后基金資助項目(LBH-Z15020) 國家科技支撐計劃專題任務(wù)(2014BAD12B01-1-3) 農(nóng)業(yè)部農(nóng)業(yè)水資源高效利用重點實驗室開放基金資助項目(2015004) 黑龍江省哲學(xué)社會科學(xué)研究規(guī)劃年度項目(16YB17)~~
【分類號】：TP391.3

【相似文獻】

相關(guān)期刊論文 前10條

1 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應(yīng)用;2007年06期

2 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

3 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

4 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應(yīng)用;2010年19期

5 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

6 張愷;秦亮曦;寧朝波;李文閣;;改進評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

7 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應(yīng)用;2011年16期

8 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

9 尹長青;楊單稷;;基于視頻的智能推薦算法[J];科技傳播;2011年22期

10 吳泓辰;王新軍;成勇;彭朝暉;;基于協(xié)同過濾與劃分聚類的改進推薦算法[J];計算機研究與發(fā)展;2011年S3期

相關(guān)會議論文 前7條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 梁莘q，

本文編號：2139467