论文部分内容阅读
传统的协同过滤算法以用户评分体现用户兴趣偏好及资源相似度，忽视了用户、资源自身的特征，并且对稀疏数据和新资源的推荐质量明显下降.在web2.0时代下，标签可被用户依个人偏好进行自由资源标注.因此，提出了基于标签和协同过滤的推荐算法.其基本思想是将标签作为体现用户兴趣偏好和资源特征的信息，依据用户、标签及资源的多维关系生成用户及资源的标签特征向量，并计算用户对资源的偏好程度和资源相似度，然后基于用户的历史行为预测用户对其他资源的偏好值，最后依据预测偏好值排序产生Top-N推荐结果.通过与传统的协同过滤算法作比较，验证了本算法能有效缓解数据的稀疏性，解决推荐的冷启动问题，提升推荐的准确性，获得更好的推荐效果.