联合用户兴趣矩阵及全局偏好的推荐算法

来源：计算机科学与探索杂志2018年第2期北京时间：

作者：张以文，艾晓飞，崔光明，钱付兰

单位：1. 安徽大学 计算智能与信号处理教育部重点实验室，合肥 2300312. 安徽大学 计算机科学与技术学院，合肥 230601

摘要：如何从大量无序的信息中向用户准确推荐其最感兴趣的信息，是推荐系统研究领域的重要课题。为此提出一种融合用户兴趣矩阵及全局偏好的推荐算法，用于个性化服务推荐。首先，引入兴趣标签机制形成用户兴趣链，对用户服务评分集合中未评价服务进行填充，对已评价服务进行互补，从而形成用户兴趣矩阵；其次，采用兴趣矩阵的欧几里德距离进行局部相似度计算；最后，联合用户认知差异和全局行为差异形成全局偏好相似度。算法在有效融入了用户的个性化偏好信息的同时，减少了数据集稀疏性，提高了推荐的准确性。在真实的MovieLens 1M数据集上进行的大量实验表明，与当前具有代表性的推荐算法相比，算法显著提高了推荐精度。

关键词：协同过滤,兴趣链,兴趣矩阵,全局偏好,相似度