融合占有度和频繁度的协同过滤推荐算法

摘要 个性化推荐技术是解决信息超载问题的最成功的技术之一．当前的个性化推荐系统中存在系统推荐质量不高、推荐算法可扩展性差、数据稀疏时推荐精度低等问题．针对这些问题，提出一种新的融合占有度和频繁度的协同过滤推荐算法．该算法利用占有度高斯权重来优化用户相似度和项目相似度，通过频繁度支持因子将基于用户的协同过滤算法和基于项目的协同过滤算法有策略地融合起来，实现目标预测评分的动态调节．在数据集movielens和netflix上的对比实验结果表明，该算法在目标邻居数目较少的情况下仍具有较高的推荐性能，相比其他参照算法的收敛速度更快，推荐精度较高，具有较好的扩展性