基于项目特征的协同过滤推荐算法

石慧霞

摘 要：协同过滤算法是最常用、最经典的个性化推荐算法之一。在算法计算中相似度计算是影响算法质量的关键因素，该算法中相似度计算根据用户评分差值作为距离来衡量，忽略了项目自身特征属性对相似性计算的制约。因此提出一种基于项目特征的协同过滤推荐算法（IFCF），结合项目评分相似度，利用Logistic二分类算法思想将用户对项目的偏好分为喜爱与不喜爱两类，再利用贝叶斯概率原理将用户对各项目特征的喜爱程度差值作为相似度调整度，以达到提高项目相似性度量准确度的目的。实验结果表明，该算法能够有效提高推荐算法的精度。

关键词关键词：协同过滤；相似度；项目特征；贝叶斯原理

DOIDOI：10.11907/rjdk.161567

中图分类号：TP312

文献标识码：A 文章编号：1672-7800（2016）008-0033-03

0 引言

与搜索引擎不同，个性化推荐系统能够基于个人行为数据为用户提供定制信息，此类系统通常使用协同过滤技术实现，并且在电子商务系统中得到广泛应用。邻协同过滤推荐是目前运用最广泛的推荐技术之一[1]，以用户——项目评分矩阵表示用户对于相关项目的兴趣，通过计算用户或者项目的相似度进行最近邻推荐。然而，仅仅从用户的偏好值推导出相似度，并没有很强的说服力，例如项目相似度完全可以依据项目属性来计算。为此，基于项目类别与相似度[2-3]、基于用户兴趣特征[4-5]、基于矩阵分解降维[6-7]、基于聚类[8]、隐语义推荐算法[9]、基于内容的推荐算法[10]等多种改进算法被提出。文献[2]考虑项目类别对项目相似性的影响，根据类别矩阵以及类内用户相似度得出推荐结果。……