设计应用

融合电影流行性与观影时间的协同过滤算法

作者:钱泽俊,刘润然
发布日期:2024-03-07
来源:网络安全与数据治理

引言

推荐系统[1]是人们借助计算机系统的高计算能力,为解决用户在面对信息过载时获取有效信息的效率低下问题而设计的辅助系统,其准确性极大程度上依赖于所采用的推荐策略。在推荐系统的众多策略中,“协同过滤”是其中广泛使用的一种策略[2],它以用户的兴趣偏好作为推荐依据,并假设每个用户未来的行为更有可能与该用户过去的行为类似。因此,以协同过滤策略为基础的推荐系统,会基于与目标用户相似的其他用户对一些物品的评价来向目标用户推荐物品[3],具有良好的可解释性。协同过滤策略的关键步骤是计算用户间的相似度,但由于传统的相似度算法很容易受到冷启动、数据稀疏性、时间衰变等问题的影响[4],因此许多研究人员对此进行改进并提出了一些新的相似性度量算法。在研究物品的权值计算方面,Leskovec[5]等人对Pearson相关系数算法的改进考虑到评价的分布具有长尾特征,即随着时间的流逝,部分受欢迎的物品将会得到更多用户的评价,而一些不受欢迎的物品,它们得到的评价数量则一直非常有限。


作者信息:

钱泽俊,刘润然

(杭州师范大学阿里巴巴商学院,浙江杭州311121)


文章下载地址:https://www.chinaaet.com/resource/share/2000005903


weidian.jpg

此内容为AET网站原创,未经授权禁止转载。
推荐算法 协同过滤 相似度算法 电影流行度 观影时间
Baidu
map