基于CLSVSM的电影评分预测及其推荐应用研究

发布时间：2021-10-18 18:01

　　随着电影网站用户数量以及电影数量的上升,用户评分数据变得极其稀疏,导致推荐系统推荐质量下降。针对这一问题,文章在传统基于项目的推荐算法（IBCF）基础上提出基于共现潜在语义向量空间模型（CLSVSM）的项目评分预测算法。文章先通过CLSVSM得到电影共现矩阵以及电影共现相对强度矩阵,然后利用电影之间的共现潜在关系对评分矩阵进行补全,在此基础上预测用户对未观看的电影评分,进而生成推荐。实验结果表明:与传统的IBCF推荐算法相比,CMLVSM_IBCF算法的均方根误差（RMSE）和平均绝对误差（MAE）分别下降17.7%和17.6%。新提出的算法计算出的电影之间的相似度更准确,有效地减小了数据稀疏性对推荐结果的影响,显著提高了电影网站的推荐质量。 

【文章来源】：山西大学学报(自然科学版). 2020,43(02)北大核心

【文章页数】：6 页

【部分图文】：

图2 两种评分预测算法RMSE比较结果

表1 IBCF算法与CLSVSM-IBCF算法推荐精确度对比表Table1 Comparison of recommendation accuracy between IBCF algorithm and CLSVSM-IBCF algorithm Means RMSE MAE RMSE_sd MAE_sd IBCF 1.094 1.483 0.131 0.122 CLSVSM_IBCF 0.869 1.221 0.025 0.02图2 两种评分预测算法RMSE比较结果

【参考文献】：
期刊论文
[1]基于改进用户相似性度量和评分预测的协同过滤推荐算法[J]. 李昆仑,万品哲,张德智.  小型微型计算机系统. 2018(03)
[2]三元共现潜在语义向量空间模型[J]. 牛奉高,王世昌,张亚宇.  情报科学. 2018(01)
[3]基于概念邻域的Top-N推荐算法[J]. 陈昊文,王黎明,张卓.  小型微型计算机系统. 2017(11)
[4]基于Adaboost算法的推荐系统评分预测框架[J]. 徐日,张谧.  计算机系统应用. 2017(08)
[5]评分预测问题中个性化推荐模型的研究[J]. 孟利民,赵维,应颂翔.  浙江工业大学学报. 2016(02)
[6]数字文献资源高维向量表示模型与聚类检验[J]. 牛奉高,邱均平.  情报学报. 2014 (10)
[7]基于项目综合相似度的协同过滤算法[J]. 许智宏,王宝莹.  计算机应用研究. 2014(02)
[8]基于项目兴趣度的协同过滤新算法[J]. 孙光明,王硕.  计算机应用研究. 2013(12)
[9]分步填充缓解数据稀疏性的协同过滤算法[J]. 张玉芳,代金龙,熊忠阳.  计算机应用研究. 2013(09)
[10]基于相似项目与用户评分的协同推荐算法[J]. 陶剑文,潘红艳.  情报学报. 2008 (02)



本文编号：3443239