【摘要】：在大數(shù)據(jù)時(shí)代,為了滿(mǎn)足用戶(hù)的信息需求,個(gè)性化推薦系統(tǒng)得到了廣泛應(yīng)用。協(xié)同過(guò)濾是一種簡(jiǎn)單有效的推薦算法。然而,許多傳統(tǒng)的相似度計(jì)算方法僅僅基于用戶(hù)的共同評(píng)分值,且不適用于稀疏數(shù)據(jù)環(huán)境,因此提出了一種新的基于Bhattacharyya系數(shù)的相似度方法。該方法使用了所有用戶(hù)對(duì)項(xiàng)目的評(píng)分信息,不僅可以通過(guò)用戶(hù)的評(píng)分行為獲得用戶(hù)的相似興趣特征,而且可以獲得用戶(hù)已評(píng)分物品之間的相關(guān)性;同時(shí)由于不同的用戶(hù)有不同的評(píng)分習(xí)慣,新方法也考慮了每個(gè)用戶(hù)的評(píng)分偏好。通過(guò)考慮用戶(hù)相似性的更多因素,可以為目標(biāo)用戶(hù)選擇更恰當(dāng)?shù)泥徲蛴脩?hù),以更有效地提升推薦性能。在兩個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明,所提方法優(yōu)于其他當(dāng)前最好的相似度方法。
[Abstract]:In big data era, in order to meet the information needs of users, personalized recommendation system has been widely used. Collaborative filtering is a simple and effective recommendation algorithm. However, many traditional similarity calculation methods are only based on users' common scores and are not suitable for sparse data environments. Therefore, a new similarity method based on Bhattacharyya coefficients is proposed. The method uses all users' rating information to obtain not only the users' similar characteristics of interest, but also the correlation between the items scored by the users. At the same time, because different users have different scoring habits, the new method also takes into account each user's rating preference. By considering more factors of user similarity, we can select more appropriate neighborhood users for target users, so as to improve recommendation performance more effectively. Experiments on two real data sets show that the proposed method is superior to other best similarity methods.
【作者單位】： 東北師范大學(xué)計(jì)算機(jī)科學(xué)與信息技術(shù)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(71473035,11501095) 吉林省科技廳重點(diǎn)攻關(guān)項(xiàng)目(20150204040GX) 吉林省發(fā)改委項(xiàng)目(2015Y055) 東北師范大學(xué)自然科學(xué)基金項(xiàng)目(2014015KJ004)資助
【分類(lèi)號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;陳春明;徐云青;;一種基于分類(lèi)的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2007年01期

2 楊風(fēng)召;;一種基于特征表的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年06期

3 王嵐;翟正軍;;基于時(shí)間加權(quán)的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)應(yīng)用;2007年09期

4 曾子明;張李義;;基于多屬性決策和協(xié)同過(guò)濾的智能導(dǎo)購(gòu)系統(tǒng)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2008年02期

5 張富國(guó);;用戶(hù)多興趣下基于信任的協(xié)同過(guò)濾算法研究[J];小型微型計(jì)算機(jī)系統(tǒng);2008年08期

6 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶(hù)評(píng)分矩陣的協(xié)同過(guò)濾算法[J];西安電子科技大學(xué)學(xué)報(bào);2009年04期

7 廖新考;;基于用戶(hù)特征和項(xiàng)目屬性的混合協(xié)同過(guò)濾推薦[J];福建電腦;2010年07期

8 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶(hù)多興趣的協(xié)同過(guò)濾策略改進(jìn)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過(guò)濾算法[J];微計(jì)算機(jī)信息;2011年11期

10 宋緯華;田元;;基于蟻群算法的協(xié)同過(guò)濾推薦技術(shù)[J];農(nóng)業(yè)圖書(shū)情報(bào)學(xué)刊;2013年08期

相關(guān)會(huì)議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類(lèi)的協(xié)同過(guò)濾算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過(guò)濾推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過(guò)濾算法研究[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場(chǎng)景的協(xié)同過(guò)濾推薦算法[A];中國(guó)系統(tǒng)仿真學(xué)會(huì)第五次全國(guó)會(huì)員代表大會(huì)暨2006年全國(guó)學(xué)術(shù)年會(huì)論文集[C];2006年

5 李建國(guó);姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過(guò)濾推薦算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類(lèi)迭代的協(xié)同過(guò)濾推薦算法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過(guò)濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類(lèi)的協(xié)同過(guò)濾推薦算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類(lèi)別的推薦——一種解決協(xié)同推薦中冷啟動(dòng)問(wèn)題的方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過(guò)濾推薦算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前9條

1 紀(jì)科;融合上下文信息的混合協(xié)同過(guò)濾推薦算法研究[D];北京交通大學(xué);2016年

2 程殿虎;基于協(xié)同過(guò)濾的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國(guó)海洋大學(xué);2015年

3 于程遠(yuǎn);基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學(xué);2015年

4 段銳;融合文本內(nèi)容與情境信息的協(xié)同過(guò)濾推薦方法研究[D];合肥工業(yè)大學(xué);2017年

5 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過(guò)濾瓶頸問(wèn)題研究[D];合肥工業(yè)大學(xué);2009年

6 孔維梁;協(xié)同過(guò)濾推薦系統(tǒng)關(guān)鍵問(wèn)題研究[D];華中師范大學(xué);2013年

7 夏培勇;個(gè)性化推薦技術(shù)中的協(xié)同過(guò)濾算法研究[D];中國(guó)海洋大學(xué);2011年

8 趙向宇;Top-N協(xié)同過(guò)濾推薦技術(shù)研究[D];北京理工大學(xué);2014年

9 鄧琨;基于鄰域的協(xié)同過(guò)濾推薦系統(tǒng)相似度研究[D];江西財(cái)經(jīng)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 鄒騰飛;基于多特征融合的混合協(xié)同過(guò)濾算法研究[D];西南大學(xué);2015年

2 于鈺雯;基于項(xiàng)目凝聚層次聚類(lèi)的協(xié)同過(guò)濾推薦算法研究[D];遼寧大學(xué);2015年

3 杜文剛;基于多屬性評(píng)分的協(xié)同過(guò)濾推薦算法研究[D];遼寧大學(xué);2015年

4 高慧敏;融合占有度的時(shí)間遺忘協(xié)同過(guò)濾混合推薦算法研究[D];燕山大學(xué);2015年

5 蘇靖涵;面向SaaS多租戶(hù)的動(dòng)態(tài)推薦方法研究[D];遼寧大學(xué);2015年

6 徐曉妮;基于人工魚(yú)群算法的協(xié)同過(guò)濾推薦算法研究[D];遼寧大學(xué);2015年

7 羅培;移動(dòng)購(gòu)物導(dǎo)購(gòu)關(guān)鍵技術(shù)的研究與系統(tǒng)實(shí)現(xiàn)[D];西南交通大學(xué);2015年

8 李婧;融合用戶(hù)差異度及信息熵的協(xié)同過(guò)濾推薦算法[D];西安建筑科技大學(xué);2015年

9 樂(lè)柱;基于誤差反饋的協(xié)同過(guò)濾算法[D];華南理工大學(xué);2015年

10 馬兆才;基于協(xié)同過(guò)濾的推薦系統(tǒng)算法研究與實(shí)現(xiàn)[D];蘭州大學(xué);2015年

，

本文編號(hào)：2323193