基于改进用户相似度的协同过滤算法

在基于用户的协同过滤推荐算法中,传统的用户相似度计算方法并不能有效地同时解决用户共同评分项目数量、评分数值和项目热门度差异问题.为了解决上述问题,提出了一种新的用户相似度计算方法.首先通过融合权重余弦相似度和修正余弦相似度来缓解共同评分项目数量差异问题,其次引入两个修正因子,以缓解评分数值差异和项目热门度差异对用户相似度计算的影响,从而降低评分预测的误差.最后,使用MovieLens数据集进行实验,结果显示提出的改进算法在平均绝对误差(Mean Absolute Error,MAE)方面优于现有的基准相似度算法.另外,提出的改进算法在预测用户评分的准确性和推荐质量两个方面具有良好的鲁棒性.