针对传统协同过滤算法不能及时反映用户兴趣随时间的变化以及热门商品会影响用户相似度计算,从而产生推荐结果不精确的情况,提出将时间衰减函数与物品惩罚因子融合到相似度矩阵计算中,并通过对比实验验证不同参数对推荐算法的影响,以弥补传统协同过滤算法的不足.实验结果表明,当物品返回数为40,K值(近邻用户个数)=200时,改进相似度算法的精确度和召回率均达到最大,分别比传统协同过滤算法提高了9％、7.2％.将商品近邻数设置为40,通过设置不同推荐列表长度N测试改进算法的精确度和F1值.结果表明,随着推荐长度的增加,传统协同过滤算法的精确度和F1值会大于改进相似度算法,因此在利用改进相似度算法推荐商品时,推荐列表长度不宜过长.
国家科技期刊平台
NSTL
万方数据
维普
