论文部分内容阅读
基于信任的推荐算法将社交网络中的信任关系融入到推荐中，但数据的稀疏性迫使基于信任的方法要去考虑间接邻居，有限相似的邻居带来的长尾噪音问题降低了推荐准确度；目前已有的算法都假设用户的评分数据完全客观真实，而忽略了异常评分的存在。为了解决上述问题，文章提出新的用户相似度量方法筛选用户的信任邻居，并通过一次预测结果反馈检测并修正评分数据中的异常评分，然后进行二次预测。在真实的大规模数据集Epinions上进行实验，结果表明相比于传统的基于物品的协同过滤算法，该算法在RMSE上提高了6．0％，在M A E上提高了