改进的结合类别偏好的item-based协同过滤算法提升推荐质量

本文主要探讨的是"论文研究-结合类别偏好信息的item-based协同过滤算法.pdf"。该研究聚焦于改进传统的基于项目的协同过滤算法，以解决数据稀疏性带来的推荐质量下降问题。在传统的协同过滤方法中，算法在线下计算项目之间的相似性，这虽然提高了推荐速度，但由于数据稀疏性，即用户对项目评分分布不均，导致相似性计算的准确性受到严重影响。 为了解决这个问题，研究者提出了一个结合类别偏好信息的协同过滤算法。首先，他们定义了一个新的概念——类别偏好相似性，这是通过对项目所属的类别进行考虑，来衡量不同项目之间的相似度。通过这种方法，算法能够找到一组与目标项目具有相似类别偏好的候选邻居。接着，他们摒弃了与目标项目共同评分较少的项目，只在这些高质量的候选邻居中寻找最近邻，从而提高了搜索过程的精确性。 在实验阶段，研究人员选择了著名的MovieLens数据集来进行测试。结果显示，新的结合类别偏好信息的item-based协同过滤算法相较于传统方法，其推荐质量有了显著的提升。这主要归功于通过类别偏好信息的引入，更好地处理了数据稀疏性问题，提高了推荐的针对性和准确性。 本文的研究不仅关注技术层面的算法设计，还涉及到了资金支持，如国家自然科学基金项目、上海市教育委员会科研创新项目、上海电力学院科研基金以及上海高校青年教师培养计划。作者团队由讲师和副教授组成，他们的研究领域涵盖了电子商务、数据挖掘、进化计算、智能决策支持系统等多个方向。 总结来说，这篇论文的重要贡献在于提出了一种创新的协同过滤策略，利用类别偏好信息优化了项目间的相似性计算，从而在推荐系统中取得了更好的性能。这对于提高推荐系统的实用性和有效性具有重要的理论和实际价值。