数据稀疏与冷启动下，PearAfter_SVD和LCMSTI算法提升推荐系统精度

本篇论文主要探讨了在电影推荐系统中，特别是采用MovieLens数据集的情况下，协同过滤算法的优化及其在面对数据稀疏性和冷启动问题时的处理策略。协同过滤是一种广泛应用的个性化推荐技术，但其精确性、数据稀疏性和冷启动问题一直是研究的焦点。 论文的核心部分着重于两种方法的介绍：PearAfter_SVD和LCMSTI。PearAfter_SVD是一种特征递增型的方法，首先通过奇异值分解（SVD）获取预测评分，然后利用这些预测结果来识别活跃用户的邻居，最后通过基于邻居的Pearson算法计算出最终的推荐值。这种方法在数据稀疏环境下能有效提高预测准确性。 LCMSTI则属于转换型方法，它通过设置阈值在潜在分类模型的Pearson算法和STIN算法之间切换。这种策略能够灵活应对不同情况，根据用户行为实时调整推荐策略，进一步提升了预测的精度。 针对冷启动问题，论文提出了两种解决方案。一是基于统计的众数法，利用用户群体的行为共识，对新用户和新项目分别采用评分的众数作为初始预测。这种方法假设新用户和新项目可能会受到大众喜好的影响。二是信息熵法，通过计算信息熵来选择具有代表性的用户或项目，以此为依据进行评分预测，这种方法考虑了信息的不确定性。 本研究通过实验验证了这些改进方法的有效性，尤其是在数据稀疏和冷启动条件下，它们显著提高了推荐系统的性能，为实际应用中的协同过滤系统提供了有价值的经验和策略。同时，这也展示了在没有项目内容信息和个人用户信息的情况下，如何通过巧妙的算法设计来克服推荐系统中的挑战。