基于用户间信任关系改进的协同过滤推荐 方法*

摘要: 【目的】利用用户间信任关系改进协同过滤推荐中用户相似性计算精度, 即在目标用户没有相似用户的前 提下, 从其信任用户中选择信任值高的作为相似用户, 进而提高相似用户聚类效果, 提高推荐质量, 并有效缓解 协同过滤推荐稀疏性和冷启动问题。【方法】筛选信任用户作为相似用户; 根据选择的信任用户和目标用户形成 一个项目的评分集, 并对目标用户未评价过的项目进行评分估算(根据信任用户评分进行简单的评分计算); 将用 户间的信任关系依据方差大小进行量化, 形成一个调节因子。本文的创新点就在于调节因子的计算, 并将调节因 子纳入用户相似性计算, 形成相似性用户聚类簇, 在此基础上在相似用户之间进行交叉推荐。【结果】通过平均 绝对误差指标进行实验评价, 结果表明基于信任关系的协同过滤推荐方法相比传统协同过滤, 在推荐精度上更 加准确, 并同时有效缓解了冷启动和稀疏性问题。【局限】本文提出的方法仅在具有信任关系的一个算例上进行 实验测试, 需在其他数据集和真实应用场景下进一步检验。【结论】用户间信任关系蕴涵非常有价值的信息, 对 用户信任关系进行量化, 并纳入用户相似性计算, 在此基础上实施协同过滤推荐, 对缓解冷启动与稀疏性问题 具有较好的理论和实践意义。