Dice-Euclidean相似度:优化协同过滤算法的新方法

需积分: 9 0 下载量 27 浏览量 更新于2024-09-10 收藏 1004KB PDF 举报
"该文提出了一种新的协同过滤算法,基于Dice-Euclidean相似度计算,旨在解决传统协同过滤算法在处理数据稀疏性时的效果不佳以及部分项目相似度无法计算的问题。Dice-Euclidean算法结合了共同评分数比例、评分向量夹角和向量距离三个因素来综合评价项目间的相似度。实验结果在MovieLens数据集上显示,与cosine、pearson、adjusted cosine、CF_P_D等算法相比,Dice-Euclidean算法显著降低了平均绝对误差(MAE),分别减少了10.2%、21.9%、6.3%和4.0%,表明该算法能减轻数据稀疏性对推荐结果的负面影响。" 本文是王立印、张辉和陈勇三位研究人员的成果,他们在北京航空航天大学计算机学院的国家科技资源共享服务工程技术研究中心工作。他们提出了一种名为Dice-Euclidean的协同过滤算法,以改善协同过滤推荐系统在处理大规模、稀疏数据集时的性能。传统的协同过滤算法在面对大量未评分项时可能会遇到困难,因为这些未评分项导致的相似度计算问题可能影响推荐的准确性。 Dice-Euclidean相似度算法的独特之处在于其考虑了三个方面:共同评分数占总评分数的比例,这有助于评估两个项目之间的重叠程度;评分向量的夹角,这反映了评分模式的相似性;以及评分向量的距离,用于量化向量之间的差异。通过这种方式,新算法能够更全面地理解项目的相似性,即使在数据稀疏的情况下也能提供更准确的推荐。 在MovieLens数据集上的实验验证了Dice-Euclidean算法的优势。与几种常用的相似度计算方法(包括cosine、pearson、adjusted cosine和CF_P_D)相比,Dice-Euclidean算法显著降低了平均绝对误差,这表明它在处理数据稀疏性方面表现更优,减少了错误推荐的可能性,从而提高了推荐系统的整体性能。 这篇论文的研究结果对于理解和改进协同过滤推荐系统具有重要意义,特别是在处理大规模、高维度和数据稀疏的环境下。Dice-Euclidean相似度算法为优化推荐系统提供了一个新的视角,有助于提升用户体验并推动个性化信息推荐领域的进步。