论文研究 应用WUM和RBFN补值的协同过滤推荐研究.pdf

协同过滤是目前推荐系统中最为成功的一种方法，但面临稀疏数据特征时存在冷启动、稀疏性、可扩展性等问题。提出利用Web数据挖掘（WUM）获取隐性数据对显性用户评价矩阵进行补值，应用径向基函数（RBFN）对补值后的评价矩阵进一步进行平滑处理，得到消除稀疏性后的完全评价矩阵，基于完全评价矩阵利用协同过滤技术对相似用户进行聚类并实施推荐。实验评价结果表明该方法与传统协同过滤推荐方法相比，无论在推荐精度还是推荐相关性上都更为有效。