CAJ | 학술논문

针对协同过滤推荐系统在稀疏数据集条件下推荐准确度低的问题,提出了推荐支持度模型以及用于该模型计算的邻域线性最小二乘拟合的推荐支持度评分算法(linear least squares fitting,LLSF).该模型描述用户对被推荐项目更感兴趣的可能性,通过用高支持度的评分估计取代传统的期望估计法来找出用户更喜欢的项目,从而提高推荐的准确度,并从理论上论述了该算法在稀疏数据集条件下相对其他算法具有更强的抗干扰能力.该模型还易于与其他推荐模型融合,具有很好的可拓展性.实验结果表明:LLSF算法显著提升了推荐的准确性,在MovieLens数据集上,F1分数可达到传统的kNN算法的3倍多,对于越是稀疏的数据集,准确率提升幅度越大,在Book-Crossing数据集上,当稀疏度由91％增加到99％时,F1分数的改进由22％提高到125％.同时该方法不会牺牲推荐覆盖率,可以保证长尾项目的挖掘效果.
침대협동과려추천계통재희소수거집조건하추천준학도저적문제,제출료추천지지도모형이급용우해모형계산적린역선성최소이승의합적추천지지도평분산법(linear least squares fitting,LLSF).해모형묘술용호대피추천항목경감흥취적가능성,통과용고지지도적평분고계취대전통적기망고계법래조출용호경희환적항목,종이제고추천적준학도,병종이론상논술료해산법재희소수거집조건하상대기타산법구유경강적항간우능력.해모형환역우여기타추천모형융합,구유흔호적가탁전성.실험결과표명:LLSF산법현저제승료추천적준학성,재MovieLens수거집상,F1분수가체도전통적kNN산법적3배다,대우월시희소적수거집,준학솔제승폭도월대,재Book-Crossing수거집상,당희소도유91％증가도99％시,F1분수적개진유22％제고도125％.동시해방법불회희생추천복개솔,가이보증장미항목적알굴효과.