融入懲罰因子的協(xié)同過濾圖書推薦算法

打開文本圖片集

摘要：針對利用傳統(tǒng)協(xié)同過濾算法進行圖書推薦時因忽略冷門物品對推薦精度的貢獻問題，提出融入懲罰因子的協(xié)同過濾圖書推薦改進算法。文章在余弦相似度的基礎上，引入熱門物品懲罰因子和用戶平均評分因子，降低熱門物品的評分權(quán)重，提取用戶特征。使用Book-Crossing數(shù)據(jù)集進行實驗驗證，文章提出的改進算法相較于傳統(tǒng)算法增加了推薦算法的時效性，對用戶進行了更精準的特征提取，改進算法較傳統(tǒng)算法召回率平均提高5.4%，在近鄰用戶較少時，MAE降低1.5%，提高了推薦精度與質(zhì)量。（剩余7972字）