论文部分内容阅读
协同过滤能够满足用户的偏好,为用户提供个性化的指导,是当前互联网推荐引擎中的核心技术.然而,该技术的发展面临着严重的用户评分稀疏性问题.用户评分历史中包含着丰富的上下文信息,因此该文通过利用两种上下文信息对评分稀疏性问题进行了有益的探索：利用物品之间的层次关联关系挖掘用户的潜在喜好;对用户评分的短期时间段效应进行建模.并提出了基于两种上下文信息的统一模型CICF.通过在Yahoo音乐数据集上的实验表明,CICF相比传统协同过滤算法能够显著提高预测效果;并通过在不同稀疏度的训练集上的实验证实了CICF能够有