隨著電影網(wǎng)站用戶數(shù)量以及電影數(shù)量的上升,用戶評分數(shù)據(jù)變得極其稀疏,導致推薦系統(tǒng)推薦質(zhì)量下降。針對這一問題,文章在傳統(tǒng)基于項目的推薦算法（IBCF）基礎(chǔ)上提出基于共現(xiàn)潛在語義向量空間模型（CLSVSM）的項目評分預(yù)測算法。文章先通過CLSVSM得到電影共現(xiàn)矩陣以及電影共現(xiàn)相對強度矩陣,然后利用電影之間的共現(xiàn)潛在關(guān)系對評分矩陣進行補全,在此基礎(chǔ)上預(yù)測用戶對未觀看的電影評分,進而生成推薦。實驗結(jié)果表明:與傳統(tǒng)的IBCF推薦算法相比,CMLVSM_IBCF算法的均方根誤差（RMSE）和平均絕對誤差（MAE）分別下降17.7%和17.6%。新提出的算法計算出的電影之間的相似度更準確,有效地減小了數(shù)據(jù)稀疏性對推薦結(jié)果的影響,顯著提高了電影網(wǎng)站的推薦質(zhì)量。 

【文章來源】：山西大學學報(自然科學版). 2020,43(02)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

圖2 兩種評分預(yù)測算法RMSE比較結(jié)果

表1 IBCF算法與CLSVSM-IBCF算法推薦精確度對比表Table1 Comparison of recommendation accuracy between IBCF algorithm and CLSVSM-IBCF algorithm Means RMSE MAE RMSE_sd MAE_sd IBCF 1.094 1.483 0.131 0.122 CLSVSM_IBCF 0.869 1.221 0.025 0.02圖2 兩種評分預(yù)測算法RMSE比較結(jié)果

【參考文獻】：
期刊論文
[1]基于改進用戶相似性度量和評分預(yù)測的協(xié)同過濾推薦算法[J]. 李昆侖,萬品哲,張德智.  小型微型計算機系統(tǒng). 2018(03)
[2]三元共現(xiàn)潛在語義向量空間模型[J]. 牛奉高,王世昌,張亞宇.  情報科學. 2018(01)
[3]基于概念鄰域的Top-N推薦算法[J]. 陳昊文,王黎明,張卓.  小型微型計算機系統(tǒng). 2017(11)
[4]基于Adaboost算法的推薦系統(tǒng)評分預(yù)測框架[J]. 徐日,張謐.  計算機系統(tǒng)應(yīng)用. 2017(08)
[5]評分預(yù)測問題中個性化推薦模型的研究[J]. 孟利民,趙維,應(yīng)頌翔.  浙江工業(yè)大學學報. 2016(02)
[6]數(shù)字文獻資源高維向量表示模型與聚類檢驗[J]. 牛奉高,邱均平.  情報學報. 2014 (10)
[7]基于項目綜合相似度的協(xié)同過濾算法[J]. 許智宏,王寶瑩.  計算機應(yīng)用研究. 2014(02)
[8]基于項目興趣度的協(xié)同過濾新算法[J]. 孫光明,王碩.  計算機應(yīng)用研究. 2013(12)
[9]分步填充緩解數(shù)據(jù)稀疏性的協(xié)同過濾算法[J]. 張玉芳,代金龍,熊忠陽.  計算機應(yīng)用研究. 2013(09)
[10]基于相似項目與用戶評分的協(xié)同推薦算法[J]. 陶劍文,潘紅艷.  情報學報. 2008 (02)



本文編號：3443239