基于巴氏系数和Jaccard系数的协同过滤算法

来源：计算机应用杂志2016年第7期北京时间：

作者：杨家慧, 刘方爱

单位：1. 山东师范大学 信息科学与工程学院, 济南 250014;2. 山东省分布式计算机软件新技术重点实验室(山东师范大学), 济南 250014

摘要：针对传统基于邻域的协同过滤推荐算法存在数据稀疏性及相似性度量只能利用用户共同评分的问题，提出一种基于巴氏系数和Jaccard系数的协同过滤算法（CFBJ）。在项目相似性度量中，该算法引入巴氏系数和Jaccard系数，巴氏系数利用用户所有评分信息克服共同评分的限制，Jaccard系数可以增加相似性度量中共同评分项所占的比重。该算法通过提高项目相似度准确率来选取最近邻，优化了对目标用户的偏好预测和个性化推荐。实验结果表明，该算法比平均值-杰卡德差分（MJD）算法、皮尔森系数（PC）算法、杰卡德均方差（JMSD）算法、PIP算法误差更小，分类准确率更高，有效缓解了用户评分数据稀疏所带来的问题，提高了推荐系统的预测准确率。

关键词：协同过滤,巴氏系数,杰卡德系数,相似性度量,矩阵稀疏性

基金资助：国家自然科学基金资助项目（61572301，90612003）；山东省自然科学基金资助项目（ZR2013FM008）。