基于优化欧氏距离的协同过滤推荐

• 作者: 陈小辉 高燕
• 来源期刊: 计算机与现代化
• 学科: 工学
• 关键词: 协同过滤 欧氏距离 归一化 杰卡德相似系数
• 年，卷（期）: 2015,（3）
• 所属期刊栏目: 算法设计与分析
• 页码范围: 37-40,47
• 页数: 5页
• 分类号: TP311
• 字数: 3875字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2015.03.008

摘要

由于推荐系统中用户对项目的评价数据具有多样性和稀疏性的特点，传统的相似性度量算法不能有效查找相似邻居，本文提出一种基于优化欧氏距离的邻居相似度计算方法，在欧氏距离计算的基础上引入归一化处理和杰卡德相似系数，并最终作出评价预测和推荐。在典型数据集上的实验结果显示该算法能够有效提高协同过滤推荐系统的推荐性能。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈小辉	榆林学院信息工程学院	26	71	5.0	7.0
2	高燕	榆林学院信息工程学院	23	65	4.0	7.0