论文部分内容阅读
为提高推荐系统的推荐质量,减小用户评分数据稀疏性对推荐效果的不良影响,提出了一种结合加权信息熵与兴趣度的协同过滤推荐算法。此算法全面考虑公共评分项目数、评分数值差异与数值变化趋势三个方面的因素,结合加权信息熵与用户兴趣度,使度量用户间相似度变得更加准确。仿真实验结果表明:所提算法比基于Pearson相关性系数以及余弦相似性的推荐算法具有更小的平均绝对误差,表明了其可行性和有效性。