细介绍。A小节介绍了怎样利用用户相似兴趣挖掘项目的方法。B小节计算用户之间的相似性,基于这些共同的兴趣,然后计算整个目标项目和共同兴趣集之间的全相关性。C小节分析如何通过利用项目属性矩阵,以引进项目属性相似性作为权重,来计算项目的相似度。Р为用户部分相似度挖掘项目Р与此同时,我们会记录所有与用户a兴趣相同的用户,记为S(a)。详细步骤如下:Р相似度计算Р然后我们用PPC方法(公式(4))计算它们之间的相似度:Р因此,我们需要添加一个相关意义权重因素,它会降低相似度权重,而这个相似度权重是以共同兴趣的一些项目为基础的。共同兴趣的项目越多,用户a和用户u之间的相似度越高。文献[14]提出使用下列修改后的相似度计算公式:Р缺失数据预测Р在计算用户之间的相似性之后,我们可以按如下公式预测丢失评级数据:Р然而,这里有一个问题,通过公式(4)计算的相似性,代表用户a和用户u之间的共同兴趣的相似度,可能会与他们各自的兴趣不同。因此,有下面两种可能性:Р另一方面,集合S(a)可能为空或很稀疏,所以我们为S(a)设置一个阈值β,并修改公式(8),结果为如下给出的公式(9):Р我们可以根据这个矩阵计算项目之间的相似性。在k维中的项目p和q的属性值可以被描述为两个向量:Рδ是项目有共同属性的阈值,我们规定,两个项目的属性相似度等于1时,它们共同属性的数量要比δ大。为了为推荐提高实时性,这种相似度可以离线完成。Р此时,我们需要用PPC方法计算项目之间的相似度,我们建议引入加权系数λ(λ∈[0,1])的方法,来计算项目之间的相似度。所以公式(11)可以修改成如下形式:Р推荐Р我们按上述提出的方法计算相似度和预测,可以根据公式(9)预测所有丢失的评级数据。Р最后,我们可以根据高评分数据,开展TOP- N的建议。Р实验分析Р我们进行以下实验来衡量我们的新方法与其他方法的协同过滤的推荐质量,并为以下问题定
全文预览
