基于用户评分和共同评分项的协同过滤算法研究

摘要: 针对协同过滤算法存在的问题进行改进，以提高评分预测和推荐结果的准确性。传统的相似度度量方法只考虑用户评分，过于简单，在皮尔逊相似度的基础上引入用户评分时间和商品流行度对用户评分进行加权处理，并与基于共同评分项规模的相似度计算进行加权组合，使得计算结果更加准确，也更符合现实意义。实验结果表明，新算法评分预测的平均绝对误差明显低于皮尔逊相似度，将MAE降低了10%以上，并提高了推荐的召回率和覆盖率。只在电影评分数据集上进行实验验证有一定的局限，该算法能够提高协同过滤算法的准确性，具有一定的现实意义。