Indexed by：
Abstract：
在协同过滤推荐系统中,用户-项目矩阵中存在大量未评分元素,且最终预测值由＂最近邻＂用户所评分数的加权平均产生.传统算法将未评分元素直接计作0,导致预测得分普遍偏低.针对这种稀疏性引起的问题,提出了一种基于均值预估的协同过滤改进算法.该算法以＂最近邻＂用户所给平均值对未评分的数据进行估计,有效降低了未评分项目所带来的负面影响.同时该方法又不是单纯的平均值填充,而是在协同过滤算法的第三阶段,需要用到＂最近邻＂用户对预测项目的评分时,才对＂最近邻＂评分为0的分值进行替代,这样不会影响到计算的相似度,预测结果不至于平庸.稀疏度为93.7%的数据上的实验表明,在不影响相似度计算的前提下,改进算法可显著降低均方根误差,提高推荐质量;最佳RMSE值可达1.01.
Keyword：
Reprint Author's Address：
Email：
Source ：
计算机技术与发展
ISSN： 1673-629X
Year： 2017
Issue： 5
Volume： 27
Page： 1-5
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： 9
Chinese Cited Count：
30 Days PV： 8
