改进的权重矩阵协同过滤：提升相似度度量精度

在当前信息网络技术飞速发展的背景下，个性化推荐系统已成为提升用户体验的关键手段，特别是在电子商务平台上。协同过滤算法作为个性化推荐的核心技术之一，其推荐质量直接影响了推荐系统的性能。传统的协同过滤算法主要依赖于用户评分矩阵，通过比较用户的共同评分项目来评估相似度，但这往往忽视了用户评分标准的主观性和评分项以外的有价值数据。 本文介绍了一种创新的策略，即"一种基于权重矩阵的协同过滤算法的相似度度量方法"。该方法由周满满和袁凌云两位作者提出，针对传统方法的局限，他们考虑了两个关键因素：一是用户交叉项目，即用户在其他领域的行为数据；二是交叉项目之外的已有权重项目，这包括用户对于不同商品或服务的主观评价和偏好。他们融合了修正的Tanimoto系数和相关相似性，这是一种结合了定量和定性的综合相似度度量方式。 修正的Tanimoto系数能够处理评分标准不一致的问题，而相关相似性则考虑到了用户在非评分区域的关联性。通过这种方法，算法可以更准确地估计用户之间的相似性，从而提高推荐的准确性。此外，文章还提到，他们的方法不仅考虑了用户历史行为，还利用了权重计算，这意味着算法可以根据用户对不同项目的重视程度调整相似度计算，进一步提升了推荐的个性化程度。 实验结果显示，这种基于权重矩阵的协同过滤相似度度量方法显著提升了推荐的精度，证明了其在实际应用中的有效性。文章的分类号为TN911⁃34，属于信息技术类，文献标识码为A，期刊编号为1004⁃373X，发表于2019年第42卷第22期。这项研究对于优化个性化推荐系统具有重要的理论价值和实践意义，有助于提高推荐系统的效率和用户满意度。