加入惩罚因子的基于物品的协同过滤算法

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：作为业界应用最成功、最广泛的个性化推荐算法之一,协同过滤算法依然面临着诸多问题与挑战,数据的长尾分布便是其中之一.由于用户行为数据往往存在长尾分布的现象,同时采用Jaccard相似度作为物品相似度计算公式的协同过滤算法往往倾向于为用户推荐热门物品,致使热门的物品越来越热门,冷门的物品越来冷门.在不断给用户推荐物品的过程中,该传统协同过滤算法推荐给用户的物品集合越来越小,可能会渐渐失去个性化推荐的能力,影响用户体验,为降低热门物品对物品相似度计算结果的影响,本文提出一种基于物品流行度的惩罚因子(Penalty Factor)来修正物品相似度公式.通过在三个公开数据集上的实验验证与分析,该改进方法可在一定程度上提高推荐算法发掘新物品的能力.

外文标题：Item-Based Collaborative Filtering Algorithm with Penalty Factor

作者：

尹毫、焦文彬、史广军、何晓涛

展开 >

作者单位：

中国科学院计算机网络信息中心,北京100190

中国科学院大学计算机科学与技术学院,北京100190

关键词：

个性化推荐协同过滤惩罚因子物品相似度覆盖度

基金：

中国科学院网上采购平台应用示范项目

项目编号：

Y82971002401

出版年：

2019

科研信息化技术与应用

影响因子：0.364

ISSN：

年,卷(期)：2019.10(2)

被引量4
参考文献量1