论文部分内容阅读
基于项目的协同过滤系统中,传统的cosine、pearson和jaccard等相似性计算方法都只从单一的角度衡量了项目之间的相似性,导致相似性计算结果不准确。协同过滤系统中普遍存在评分数据稀疏性问题,使这一现象更为严重。针对这些问题,提出了一种融合共同评分用户数和项目兴趣关系的推荐算法。算法根据项目间的同类性和共同评分用户数改进了Pearson相似性,引入用户对项目的兴趣度,基于用户建立项目之间兴趣度向量。实验结果表明：算法提高了推荐准确度,有效地缓解了评分数据稀疏性对传统相似性计算的影响。