摘要
大数据时代数据量呈爆发式增长,为帮助人们在海量数据中获取自己所感兴趣的信息,推荐系统应运而生.协同过滤在推荐系统中应用广泛,针对传统协同过滤推荐算法数据稀疏、推荐精度较低,不能及时反映用户的兴趣度变化以及时效性不足等缺点,提出了一种融合时间衰减函数的改进协同过滤推荐算法.此算法在传统协同过滤算法的基础上综合考虑了时间因素的影响,用户兴趣会随着时间而变化,用户在短时间内感兴趣的物品具有更高的相似性,参考人类记忆遗忘特性,拟合人类记忆遗忘曲线得到时间衰减函数作为权重因子,在计算相似度和用户偏好程度时同时融入时间衰减函数对算法进行约束,提高短时间内物品相似度和用户兴趣度的权重,实现短期和长期兴趣度融合.实验结果表明,改进后的方法能在一定程度上提高传统推荐算法的精确率和召回率,验证了时间衰减函数的有效性.
维普
万方数据