文献类型：期刊文章

作　　者：李斌[1] 张博[1] 刘学军[1] 章玮[2]

机构地区：[1]南京工业大学计算机科学与技术学院 [2]中国人民解放军73677部队

出　　处：《计算机科学》

基　　金：国家自然科学基金(61203072);江苏省重点研发计划(社会发展)(BE2015697)资助

年　　份：2016

卷　　号：43

期　　号：12

起止页码：200-205

语　　种：中文

收录情况：BDHX、BDHX2014、CSA、CSCD、CSCD_E2015_2016、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：协同过滤是现今推荐系统中应用最为成功且最广泛的推荐方法之一,其中概率矩阵分解算法作为一类重要的协同过滤方式,能够通过学习低维的近似矩阵进行推荐。然而,传统的协同过滤推荐算法在推荐过程中只利用用户-项目评分信息,忽略了用户(项目)间的潜在影响力,影响了推荐精度。针对上述问题,首先利用Jaccard相似度对用户(项目)做预处理,而后通过用户(项目)间的位置信息挖掘出其间的潜在影响力,成功找到最近邻居集合;最后将该邻居集合融合到基于概率矩阵分解的协同过滤推荐算法中。实验证明该算法较传统的协同过滤推荐算法能够更有效地预测用户的实际评分,提高了推荐效果。

关 键 词：Jaccard相似度  位置行为  协同过滤 概率矩阵分解  

分 类 号：TP301]