融合标签特征和时间上下文的协同过滤推荐算法

摘要 推荐系统是解决信息过载问题的有效方法，而协同过滤通过挖掘用户行为信息来预测用户偏好，是现今广泛应用的推荐方法．但传统的协同过滤算法存在数据稀疏，推荐精度不高的问题．而标签信息能够丰富用户(资源)之间的联系，从而提高推荐精度．通过标签信息来构造用户和资源的特征矩阵，进一步融合到基于邻域的协同过滤推荐算法中，预测用户对资源的评分．同时考虑了用户评分的时间上下文影响，降低预测误差．在真实的数据集上验证，该推荐算法与传统协同过滤算法相比，有效的预测用户评分，提高推荐精度