应用数据填充缓解稀疏问题实现个性化推荐

被引：11

作者：

夏建勋 ^{[1
,2
,3
]}

吴非 ^{[2
,4
,3
]}

谢长生 ^{[2
,4
,3
]}

机构：

[1] 湖北工程学院计算机与信息科学学院

[2] 武汉光电国家实验室

[3] 华中科技大学计算机科学与技术学院

[4] 信息存储系统教育部重点实验室

来源：

计算机工程与科学 | 2013年 / 35卷 / 05期

关键词：

推荐系统; 个性化推荐; 协同过滤; 数据填充;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

协同过滤是到目前为止最成功和应用最广泛的推荐技术,然而,由于用户-项目矩阵极端稀疏导致推荐不精确。针对该问题,提出了三种数据填充方法和两种推荐策略。对评分矩阵中未评分数据的三种数据填充方法是:(1)采用行和列数据的加权平均值填充;(2)采用行和列数据的众数的平均值填充;(3)采用行和列数据的中位数的平均值填充。一种推荐策略是直接用填充数据作为预测评分进行推荐;另一种推荐策略是将填充数据后的评分矩阵作为伪评分矩阵,应用Pearson相关相似性进行协同过滤推荐。采用MovieLens数据集进行的实验结果表明:上述几种推荐策略均可有效地缓解评分数据稀疏性问题,且提高了推荐精确度。

引用

页码：15 / 19

页数：5

共 5 条

[1] Fast Algorithms for Approximating the Singular Value Decomposition [J].