论文研究一种改进的top.pdf

针对传统的相似度计算方法仅依靠用户评分信息矩阵来计算物品或用户相似度，物品相似度的计算考虑了所有用户的历史反馈信息等问题，提出一种改进的协同过滤推荐算法。以所有物品的度的平均值作为阈值，在用户相似度计算公式中引入用户共同评分权重以及流行物品权重；在物品相似度计算公式中引入物品时间差因素和用户共同评分权重。将兴趣相似的用户聚成一类，在类内应用推荐算法分别为用户进行推荐。实验结果表明，相比于传统的协同过滤推荐算法，新算法得到的推荐结果在召回率上提高了2.1%。该算法可在一定程度上提高推荐算法的精度以及推荐质量。