论文部分内容阅读
用户-项目评分数据的稀疏性一直是协同过滤推荐算法面临的严峻问题,在统计学视角下提出了改进数据稀疏性的方法,用均值、众数进行用户未评分项目的缺失值替换以及基于K-Means聚类的分类协同推荐,两种方法均在基于用户行为的协同过滤推荐算法上进行实践,通过计算用户间相似性找出最近邻居,根据邻居用户对目标用户未评分项目的评分进行评分预测,并产生推荐。实验证明本文提出的用均值、众数进行缺失值替换方法以及基于K-Means聚类的分类协同推荐方法的推荐结果都要优于传统的协同过滤推荐算法。