文献类型：期刊文章

作　　者：夏建勋[1,2,3] 吴非[2,4,3] 谢长生[2,4,3]

机构地区：[1]湖北工程学院计算机与信息科学学院,湖北孝感432100 [2]武汉光电国家实验室,湖北武汉430074 [3]华中科技大学计算机科学与技术学院,湖北武汉430074 [4]信息存储系统教育部重点实验室,湖北武汉430074

出　　处：《计算机工程与科学》

基　　金：湖北工程学院科研基金资助项目(z2013011);国家973重大基础研究资助项目(2011CB302303);国家自然科学基金资助重点项目(60933002);武汉市晨光计划资助项目(201050231072);湖北省自然科学基金资助项目(2010CDB01605);中央高校基本科研业务费资助项目(2011QN053;2011QN032)

年　　份：2013

卷　　号：35

期　　号：5

起止页码：15-19

语　　种：中文

收录情况：BDHX、BDHX2011、CSCD、CSCD2013_2014、INSPEC、ZGKJHX、核心刊

摘　　要：协同过滤是到目前为止最成功和应用最广泛的推荐技术,然而,由于用户-项目矩阵极端稀疏导致推荐不精确。针对该问题,提出了三种数据填充方法和两种推荐策略。对评分矩阵中未评分数据的三种数据填充方法是:(1)采用行和列数据的加权平均值填充;(2)采用行和列数据的众数的平均值填充;(3)采用行和列数据的中位数的平均值填充。一种推荐策略是直接用填充数据作为预测评分进行推荐;另一种推荐策略是将填充数据后的评分矩阵作为伪评分矩阵,应用Pearson相关相似性进行协同过滤推荐。采用MovieLens数据集进行的实验结果表明:上述几种推荐策略均可有效地缓解评分数据稀疏性问题,且提高了推荐精确度。

关 键 词：推荐系统 个性化推荐 协同过滤 数据填充

分 类 号：TP301.6]