使用二分图网络提高协同推荐的准确性

协同过滤是推荐系统中广泛使用的最成功的推荐技术,但却面临着严峻的稀疏性问题。评分数据稀疏性使得最近邻搜寻不够准确,导致推荐质量较差。使用二分图网络缓解协同过滤推荐系统中的稀疏性问题,即将用户和项目抽象为二分图网络中的节点,重新分配项目资源并计算项目间资源贴近度,据此填充用户未评分项目,将稀疏评分矩阵转化为完全矩阵。采用近邻传播聚类对评分矩阵进行聚类,提高算法的可扩展性。最后提出了两种不同的在线推荐策略:(1)通过加权目标用户所在类的邻居用户评分产生推荐(bnapc1)；(2)通过各个类的总体偏好产生推荐(bnapc2)。在movielens和netflix数据集上进行了实验,结果表明bnapc1的预测精度优于bnapc2,且与其他几种常用的推荐算法相比仍具有一定优势。