多因素协同过滤推荐算法：解决数据稀疏与准确性问题

"多因素复合度量的协同过滤推荐算法 (2015年) - 孙光明, 王硕, 邹静昭" 本文针对传统协同过滤推荐算法存在的问题，如单一评分相似性度量的局限性和数据稀疏带来的挑战，提出了一种新的多因素复合度量的协同过滤推荐算法。在传统的推荐系统中，用户之间的相似性通常基于评分进行计算，然而这种方法在实际应用中可能会导致推荐质量不高，尤其是在数据稀疏的情况下。 新算法的关键创新点在于引入了多个因素来综合计算用户和项目的相似性。这些因素包括用户对项目的访问次数、在项目上停留的时间以及用户的评分。通过定义一个多因素约束的相似性计算函数，算法能够更全面地考虑用户行为，从而提高了相似性计算的准确性。这一改进有助于解决单一评分相似性度量的问题，使得推荐更加精准。 此外，算法还利用项目类别、目标用户的历史访问记录、其他访问过待预测评分项目的用户信息以及访问时间序列，构建了项目和用户的信任模型。在面临数据稀疏或冷启动问题时，算法使用信任依赖度代替相似度来预测评分，有效地缓解了数据不足带来的影响。这种信任模型的建立增强了推荐的鲁棒性，尤其在处理新用户和新项目时。 实验结果显示，该算法显著提高了最近邻计算的准确性和推荐算法的整体性能。通过对不同数据集的测试，证明了算法的有效性和优越性。这表明，多因素复合度量的协同过滤推荐算法可以为推荐系统提供更好的用户体验，提高用户满意度，具有广泛的应用前景。 关键词：多因素复合度量；访问时序；信任模型；推荐算法 中图分类号：ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１－３６９５（２０１５）１０－２８９６－０５ doi：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１５．１０．００４ 论文作者包括孙光明、王硕和邹静昭，他们分别来自北京交通大学计算机与信息技术学院、河北交通学院网络教研室、河北科技大学信息科学与工程学院以及河北中医学院公共课教学部，他们在协同过滤算法和推荐系统领域有着深入的研究。该论文是河北省高等学校科学研究计划重点项目的成果，旨在通过多因素度量提升推荐系统的性能。