信息时代的互联网用户时刻面对着大量的商品和信息,在大量目标中自动推荐用户感兴趣的物品是解决这一问题的有效方法之一.传统的协同过滤算法通过计算用户与用户之间的相似性进行评分预测和推荐,但没有考虑流行度差异给预测带来的不良影响.针对这一问题,设计了基于置信系数加权的皮尔逊相似性计算方法,通过相似性结果构建用户间的复杂网络模型,利用网络模型中用户度值来衡量预测目标的流行度,并在随后的预测中考虑这一因素,设计了应用在推荐系统中的评分预测算法.在MovieLens电影评分数据集上的折十验证实验表明,考虑流行度的评分预测方法可有效降低用户评分预测过程中的误差.与本领域几个最新算法进行对比,该算法在最优条件下预测准确度提高了3.31％.
国家科技期刊平台
NSTL
万方数据
维普
