-
基于惩罚因子的协同过滤算法的改进与研究
摘 要 ：当今时代，信息量呈爆炸式增长，推荐系统是处理海量信息的一种有效方式，也是一种无需用户提出明确需求就可帮助用户快速发现有用信息的工具。在推荐系统中，协同过滤算法有着重要应用。传统协同过滤算法通常使用余弦相似度公式进行兴趣相似度计算，但是很多情况下热门物品会影响到推荐结果，并不能较好地反映用户需求。文中对传统协同过滤算法余弦相似度计算公式提出改进方案，给出一个带有惩罚因子的余弦相似度修正公式，可以较好地抑制热门物品对用户实际相似度的影响，改善用户近邻集合的划分，从而实现更好的推荐效果。经实验测试，推荐系统的性能指标得到了一定的改善。
-
什么是基于物品的协同过滤算法
基于物品的协同过滤算法（ItemCF）是业界应用最多的算法，主要思想是利用用户之前有过的行为，给用户推荐和之前物品类似的物品。基于物品的协同过滤算法主要分为两步：1）计算物品之间的相似度。2）根据物品
