论文部分内容阅读
大多数科学研究的协同过滤推荐算法一般只利用用户的评分信息,而忽视了评分产生的时间以及用户所处的空间对推荐的影响。针对这一问题,从评分时间和用户空间角度对推荐算法的相似度计算、邻居用户选择以及评分预测过程进行改进。利用评分时间和用户空间两方面因素,提出结合评分时间和用户空间的协同过滤推荐算法。用户的兴趣随着时间的改变而发生改变,用户最近评分的影响力比以前评分的影响力更大。对没有空间信息的数据集,采用复杂网络拓扑布局算法把相关联的用户排布成用户空间网络布局。通过实验验证了该算法在准确性方面有显著的提高。