基于云模型的协同过滤推荐算法

被引：191

作者：

张光卫 ^{[1
]}

李德毅 ^{[2
]}

李鹏 ^{[3
]}

康建初 ^{[1
]}

陈桂生 ^{[2
]}

机构：

[1] 北京航空航天大学软件开发环境国家重点实验室

[2] 中国电子工程系统研究所

[3] 哈尔滨工业大学深圳研究生院信息安全中心

来源：

软件学报 | 2007年 / 10期

关键词：

云模型; 协同过滤; 相似性; 推荐系统; 投票;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

协同过滤系统是电子商务系统中最重要的技术之一,用户相似性度量方法是影响推荐算法准确率高低的关键因素.针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足.以该方法为核心,在全面分析传统方法的基础上,提出一种新的协同过滤推荐算法.实验结果表明,算法在用户评分数据极端稀疏的情况下,仍能取得较理想的推荐质量.

引用

页码：2403 / 2411

页数：9

共 11 条

[1] 使用BP神经网络缓解协同过滤推荐算法的稀疏性问题 [J].

张锋 ;

常会友 .

计算机研究与发展, 2006, (04) :667-672

[2] 基于领域知识的个性化推荐算法研究 [J].

张丙奇 .

计算机工程, 2005, (21) :17-19+43

[3] 不确定性人工智能 [J].

李德毅 ;

刘常昱 ;

杜鹢 ;

韩旭 .

软件学报, 2004, (11) :1583-1594

[4] 一种优化的协同过滤推荐算法 [J].

周军锋 ;

汤显 ;

郭景峰 .

计算机研究与发展, 2004, (10) :1842-1847

[5] 论正态云模型的普适性 [J].

李德毅 ;

刘常昱 .

中国工程科学, 2004, (08) :28-34

[6] 基于项目评分预测的协同过滤推荐算法 [J].

邓爱林 ;

朱扬勇 ;

施伯乐 .

软件学报, 2003, (09) :1621-1628

[7] 个性化推荐算法设计 [J].

赵亮 ;

胡乃静 ;

张守志 .

计算机研究与发展, 2002, (08) :986-991

[8] 知识表示中的不确定性 [J].

李德毅 .

中国工程科学, 2000, (10) :73-79

[9]

Zan Huang,Hsinchun Chen,Daniel Zeng.Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering[J].ACM Transactions on Information Systems (TOIS),2004

[10]

David Goldberg,David Nichols,Brian M. Oki,Douglas Terry.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM,1992

← 1 2 →