论文部分内容阅读
本文研究了用户-产品二部分网络中用户集聚系数对协同过滤算法的影响。用户集聚系数是度量目标用户的所有邻居用户的特点或者兴趣爱好相同程度的一个统计量,文章将其引入协同过滤算法的相似性计算中,并提出一种改进的算法。数值模拟显示,引入用户集聚系数统计属性的改进算法相比于CF准确性可以提高12.0%,当推荐列表的长度为50时推荐列表多样性可以达到0.649,相比于经典的CF算法提高18.2%。该工作表明用户集聚系数对推荐算法具有非常大的影响,体现了个性化推荐以用户兴趣的度量为核心的基本思想。