冯 勇,徐红艳,王嵘冰,郭 浩
辽宁大学 信息学院,沈阳 110036
信息技术和网络互连的快速发展,带来信息量的激增,人们正步入信息过载的时代[1]。目前,个性化推荐技术被业界认为是解决信息过载问题的首选方案,它根据使用者的历史交互数据开展数据的分析与挖掘,将用户可能感兴趣而又未获取的产品、信息等推荐给用户[2]。近年来,个性化推荐技术已经被广泛应用在电影、视频、论文、驾驶路线和位置等与信息相关的服务领域。
目前,众多的个性化推荐方法中,协同过滤推荐是应用较为成功的推荐方法,分为基于用户的协同过滤推荐和基于项目的协同过滤推荐[3]。Slope One算法作为应用广泛的基于项目的协同过滤推荐算法,是由Lemire等人于2005年提出的。该算法易于实现,推荐准确度较高[4]。但该算法在实现时,将所有项目平等对待,未对项目的相关性加以考量,并且在数据集稀疏时推荐效果不佳。文献[4]中同时也提到了加权Slope One算法,该算法将同时被评分的两个项目的用户数量作为加权值,但是同样缺乏对项目相关性的考量,推荐效果不甚理想。针对Slope One算法的不足,众多学者从不同视角进行了改进,如:Xiao等人将Slope One算法与基于内容的推荐算法相结合,但此算法在数据稀疏时的推荐效果不理想[5]。Wang等人提出将机器学习的相关算法应用于Slope One算法参数的学习计算中,再预测推荐[6]。孙丽梅等人提出了基于动态k近邻的Slope One算法,采用用户相似度的k近邻方法筛选用户评分数据,提高了推荐准确性[7]。……