文献类型：期刊文章

作　　者：杨谊[1] 张斌[1] 和法伟[1]

YANG Yi;ZHANG Bin;HE Fa-wei(Department of Information Technology,School of Biomedical Engineering,Southern Medical University,Guangzhou 510515)

机构地区：[1]南方医科大学生物医学工程学院信息技术系,广州510515

出　　处：《现代计算机》

基　　金：教育部产学协同育人项目(No.201901035041、201901104027、201901105020);广东省本科高校创新创业教育改革研究项目(No.2018A080904);广东省学位与研究生教育改革研究项目(No.2019JGXM22);广东省科技计划项目(No.2017A030304009);广东省、南方医科大学大学生创新创业训练计划项目(No.201812121066、201812121178);南方医科大学“质量工程”建设项目:“工学融合、能力递进”医工专业人才培养模式创新实验区。

年　　份：2020

卷　　号：26

期　　号：23

起止页码：10-15

语　　种：中文

收录情况：普通刊

摘　　要：现有的基于标签的协同过滤推荐方法虽然利用标签区分信息的属性,但是并不考虑标签本身的相关性,使得多数情况下信息推荐结果倾向于热门或常用标签,影响了推荐质量。针对上述问题,引入衡量标签之间的关联程度的指标——标签相关度,并基于此计算标签与信息之间对应关系的概率,从而建立一种新的标签相关度加权的协同过滤推荐算法。利用标签相关度来解决权重偏差问题,平衡热门信息和个性化信息的权重。主要方法是建立基于标签相关度特征表示的用户和信息表示,并通过特征相似性度量方法计算标签相关度加权的信息相似度,最后采用K最近方法对用户-信息偏好进行预测。实验结果表明,该方法与表现较好的LS和LW算法相比,能够在一定程度上提高推荐的精确度和召回率,更好地满足用户的实际需求。

关 键 词：协同过滤 个性化推荐算法 标签相关度加权  信息特征计算  

分 类 号：TP391.3]