随着互联网数量的不断增多,海量的数据信息为互联网用户带来了便利,同时也给推荐系统带来了技术性的挑战。用户-评分矩阵对传统的协同过滤算法具有关键性的作用,然而在大数据时代的背景下,用户面对海量的数据信息,很难对自己喜欢的项目...随着互联网数量的不断增多,海量的数据信息为互联网用户带来了便利,同时也给推荐系统带来了技术性的挑战。用户-评分矩阵对传统的协同过滤算法具有关键性的作用,然而在大数据时代的背景下,用户面对海量的数据信息,很难对自己喜欢的项目全部进行评分,这就造成了评分数据的稀疏,从而影响推荐算法的精度性。针对数据稀疏问题,利用社交网络信息,分别从用户评分、兴趣标签、社交关系三个方面分别建立用户相似度模型,然后采用协同过滤算法将三个模型进行融合,以进行推荐预测。在KDD CUP 2012 Track1数据集上进行实验。实验结果表明,该算法相比传统的协同过滤算法,算法精确度有较好的提高,对于数据稀疏问题也有较好的缓解作用。展开更多
文摘随着互联网数量的不断增多,海量的数据信息为互联网用户带来了便利,同时也给推荐系统带来了技术性的挑战。用户-评分矩阵对传统的协同过滤算法具有关键性的作用,然而在大数据时代的背景下,用户面对海量的数据信息,很难对自己喜欢的项目全部进行评分,这就造成了评分数据的稀疏,从而影响推荐算法的精度性。针对数据稀疏问题,利用社交网络信息,分别从用户评分、兴趣标签、社交关系三个方面分别建立用户相似度模型,然后采用协同过滤算法将三个模型进行融合,以进行推荐预测。在KDD CUP 2012 Track1数据集上进行实验。实验结果表明,该算法相比传统的协同过滤算法,算法精确度有较好的提高,对于数据稀疏问题也有较好的缓解作用。
