论文部分内容阅读
针对用户的显性评分数据的的个性化推荐算法的研究，主要集中在提升预测评分问题的精度上。协同过滤算法是其中最经典的算法。通过相似性度量计算用户或物品的相似性，并据此向目标用户推荐物品。本文首先分析了传统的协同过滤算法，之后引入了奇异矩阵分解(SVD)及其改进算法LFM，通过实验比较各算法的性能。发现虽然LFM算法性能要好一些，但精度并没有质的提高。并且此类算法给出的预测，也只表示目标用户很可能对推荐结果评高分。 为了进一步解决用户的认同问题，文中提出了一个基于兴趣的协同过滤模型，通过引入对物品流行度及用户活跃度的惩罚因子，导出改进的基于兴趣的推荐模型。通过在MovieLens数据集上的对比实验，显示改进算法可明显提高推荐性能。最后，构建了融合基于评分的和基于兴趣的推荐模型的框架性解决方案。