摘要
基于内存的协同过滤是当前互联网推荐引擎中的核心技术.然而,目前该技术的发展面临着严重的用户评分稀疏性问题.该文通过采用传播的思想对数据稀疏性问题进行了有益的探索和研究,并提出了一种改进的基于内存的协同过滤推荐算法SPCF.该算法通过相似度传播,寻找到更多、更可靠的邻居,然后在此基础上,从用户和项目两方面信息考虑对用户进行推荐.在Movie Lens和Yahoo Music数据集上的实验结果表明,SPCF在MAE指标上比传统的基于内存的协同过滤推荐算法有明显的提高.
Memory based Collaborative Filtering （CF） plays an important role in current Internet recommendation engines. However, this technology suffers from serious data sparsity of user-item rating matrix. This paper proposes a kind of improved model called SPCF, which is based on the state-of-the-art methods. The key property of the proposed model is that it finds more reliable users through similarity propagation and recommends items from both user and item information. Our experimental results on the two datasets-- Movie Lens and Yahoo Music show that the proposed model achieves at least 3% lift in MAE relative to traditional collaborative filtering algorithms.
出处
《计算机学报》
EI
CSCD
北大核心
2013年第3期671-676,共6页
Chinese Journal of Computers
关键词
推荐系统
相似度传播
基于内存的协同过滤
recommend system
similarity propagation
memory-based collaborative filtering
作者简介
赵琴琴，女，1985年生，硕士，主要研究方向为信息检索和协同过滤．E-mail：zqq{y100637@163．com．
鲁凯，男，1988年生，硕士，主要研究方向为信息检索．
王斌，男，1972年生，博士，副研究员，主要研究方向为信息检索和自然语言处理．
