一种基于Bhattacharyya系数和项目相关性的协同过滤算法

发布时间：2018-11-10 18:02

【摘要】：在大数据时代,为了满足用户的信息需求,个性化推荐系统得到了广泛应用。协同过滤是一种简单有效的推荐算法。然而,许多传统的相似度计算方法仅仅基于用户的共同评分值,且不适用于稀疏数据环境,因此提出了一种新的基于Bhattacharyya系数的相似度方法。该方法使用了所有用户对项目的评分信息,不仅可以通过用户的评分行为获得用户的相似兴趣特征,而且可以获得用户已评分物品之间的相关性;同时由于不同的用户有不同的评分习惯,新方法也考虑了每个用户的评分偏好。通过考虑用户相似性的更多因素,可以为目标用户选择更恰当的邻域用户,以更有效地提升推荐性能。在两个真实数据集上进行的实验表明,所提方法优于其他当前最好的相似度方法。
[Abstract]:In big data era, in order to meet the information needs of users, personalized recommendation system has been widely used. Collaborative filtering is a simple and effective recommendation algorithm. However, many traditional similarity calculation methods are only based on users' common scores and are not suitable for sparse data environments. Therefore, a new similarity method based on Bhattacharyya coefficients is proposed. The method uses all users' rating information to obtain not only the users' similar characteristics of interest, but also the correlation between the items scored by the users. At the same time, because different users have different scoring habits, the new method also takes into account each user's rating preference. By considering more factors of user similarity, we can select more appropriate neighborhood users for target users, so as to improve recommendation performance more effectively. Experiments on two real data sets show that the proposed method is superior to other best similarity methods.
【作者单位】： 东北师范大学计算机科学与信息技术学院;
【基金】：国家自然科学基金项目(71473035,11501095) 吉林省科技厅重点攻关项目(20150204040GX) 吉林省发改委项目(2015Y055) 东北师范大学自然科学基金项目(2014015KJ004)资助
【分类号】：TP391.3

【相似文献】

相关期刊论文 前10条

1 徐义峰;陈春明;徐云青;;一种基于分类的协同过滤算法[J];计算机系统应用;2007年01期

2 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

3 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

4 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

5 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

6 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

7 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 宋纬华;田元;;基于蚁群算法的协同过滤推荐技术[J];农业图书情报学刊;2013年08期

相关会议论文 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关博士学位论文 前9条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年

5 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

6 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年

7 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年

8 赵向宇;Top-N协同过滤推荐技术研究[D];北京理工大学;2014年

9 邓琨;基于邻域的协同过滤推荐系统相似度研究[D];江西财经大学;2017年

相关硕士学位论文 前10条

1 邹腾飞;基于多特征融合的混合协同过滤算法研究[D];西南大学;2015年

2 于钰雯;基于项目凝聚层次聚类的协同过滤推荐算法研究[D];辽宁大学;2015年

3 杜文刚;基于多属性评分的协同过滤推荐算法研究[D];辽宁大学;2015年

4 高慧敏;融合占有度的时间遗忘协同过滤混合推荐算法研究[D];燕山大学;2015年

5 苏靖涵;面向SaaS多租户的动态推荐方法研究[D];辽宁大学;2015年

6 徐晓妮;基于人工鱼群算法的协同过滤推荐算法研究[D];辽宁大学;2015年

7 罗培;移动购物导购关键技术的研究与系统实现[D];西南交通大学;2015年

8 李婧;融合用户差异度及信息熵的协同过滤推荐算法[D];西安建筑科技大学;2015年

9 乐柱;基于误差反馈的协同过滤算法[D];华南理工大学;2015年

10 马兆才;基于协同过滤的推荐系统算法研究与实现[D];兰州大学;2015年

，

本文编号：2323193