信任与偏好协同过滤算法在推荐系统中的应用

"基于信任和项目偏好的协同过滤算法" 本文介绍了一种创新的推荐系统算法，称为基于信任和用户偏好的协同过滤(TIPCF)算法，旨在解决传统协同过滤算法在用户关系挖掘和新项目推荐上的局限。协同过滤是推荐系统中的常见技术，它依赖于用户的历史行为来预测他们可能感兴趣的新内容。然而，传统的协同过滤方法往往忽视了用户间的关系网络，以及用户对不同项目可能存在的个性化偏好。 TIPCF算法首先通过分析用户对项目的评分来评估其可信度，并据此量化用户之间的信任程度。这种信任度的建立能够识别出那些具有相似评分习惯并且相互信任的用户，从而构建一个更加精准的用户关系网络。接着，算法考虑了用户对不同项目有不同的偏好程度，这将影响用户之间的相似性计算。通过在传统的用户相似性度量中引入用户偏好度，算法能更好地反映用户在特定领域内的兴趣一致性。 在确定最近邻用户时，TIPCF算法结合了用户信任度和改进后的相似度，这有助于选择出更具有影响力的邻居，提高推荐的准确性。此外，对于新项目，算法依据用户对项目属性的偏好进行推荐，解决了冷启动问题，即如何向没有历史数据的新用户或新项目提供有效的推荐。 在 Movielens 数据集的实验结果显示，TIPCF 算法在降低平均绝对误差方面表现优越，相对于传统协同过滤算法，平均绝对误差下降了6.7%。在推荐新项目时，这一优势更为显著，平均绝对误差降低了10.7%。这表明TIPCF算法不仅提高了推荐的精确度，还显著提升了新项目的推荐概率，增强了推荐系统的整体性能。 该研究由多个国家自然科学基金资助，由来自新疆大学软件学院的研究团队完成，包括郑洁、钱育蓉、杨兴耀、黄兰和马婉贞等研究人员，他们在推荐系统、数据挖掘、网格计算等领域有着深入的研究。 TIPCF算法为推荐系统领域提供了一个有价值的解决方案，通过引入信任和用户偏好，提升了协同过滤的推荐效果，尤其在处理数据稀疏性和新项目推荐时表现突出。这为未来推荐系统的设计提供了新的思路和实践基础。