基于标签和协同过滤的改进推荐算法研究

作者：金晶; 怀丽波推荐算法协同过滤标签扩展召回率准确率

摘要：针对基于标签和协同过滤的个性化推荐(TCF)没有考虑评分数据的作用和用户兴趣标签稀疏的问题,提出了一种加入评分数据并扩展用户兴趣标签的基于标签和协同过滤的改进推荐算法(ITCF).首先,以项目-标签相关度构造项目特征向量,并结合评分构造用户特征向量和用户-标签关联度;其次,对用户的历史偏好标签集进行基于标签相似性和基于近邻用户偏好的扩展;最后,以MovieLens数据集为例对ITCF算法的有效性进行实验验证.实验结果表明,在稠密的数据集中,ITCF算法的平均准确率和平均召回率比文献[2]和[3]算法的平均准确率和平均召回率分别提升约2.0%和1.7%;在稀疏的数据集中,当推荐项目数不超过20时,ITCF算法的平均准确率和平均召回率约比文献[2]和文献[3]算法的平均准确率和平均召回率分别提升约0.2%和0.8%.因此,本文提出的ITCF算法具有较好的应用前景.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社