文献类型：期刊文章

作　　者：樊艳清[1] 梁宏宇[2] 纪佳琪[2]

FAN Yan-qing;LIANG Hong-yu;JI Jia-qi(Information Center,Hebei Normal University for Nationalities,Chengde 067000,China;School of Math and Computer Science,Hebei Normal University for Nationalities,Chengde 067000,China)

机构地区：[1]河北民族师范学院信息中心,河北承德067000 [2]河北民族师范学院数学与计算机科学学院,河北承德067000

出　　处：《计算机技术与发展》

基　　金：河北省高等学校科学技术研究项目(Z2019053);2019年度引进留学人员资助项目(C20190179);2019年度河北省引进国外智力项目(2019YX009B)。

年　　份：2020

卷　　号：30

期　　号：8

起止页码：91-96

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：大数据时代由于信息过载问题使人们无法在海量数据中快速精准地获取有效信息。为了解决个性化信息呈现问题,推荐系统应运而生。在众多推荐算法中,协同过滤通过分析用户的历史行为信息,能够得到良好的推荐结果,成为推荐系统中使用最普遍的算法。协同过滤算法中相似度的计算方式直接影响着推荐结果。针对目前缺乏综合评价不同相似度对推荐结果评价指标影响的相关研究,深入全面分析研究了余弦相似度、调整的余弦相似度、皮尔森相关系数、欧几里德相似度、谷本系数5种不同相似度的计算方法,并分析了对准确率、召回率、平均调和数和覆盖率4种不同评价指标的影响。通过在真实数据集上的实验结果,给出了不同相似度计算方式的适用场景和优缺点。

关 键 词：协同过滤 推荐系统 相似度 评分矩阵  大数据

分 类 号：TP301]