基于用户偏好和可疑度的推荐方法研究

• 作者: 刘闯 吴彦文
• 来源期刊: 计算机应用研究
• 关键词: 用户偏好 可疑度 时间效应 深度学习
• 年，卷（期）: 2018,（12）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 3632-3634
• 页数: 3页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2018.12.024

摘要

针对传统推荐算法在推荐过程中存在忽略用户偏好、用户恶意虚假信息和时间序列等问题,引入用户兴趣模型,结合用户可疑度与时间效应计算更新用户相似度,经过深度学习网络得到最佳推荐目标.为避免出现数据过拟合情况,在利用贪心思想训练用户数据时,给隐含层和可见层均加上了用户偏好,一定程度上提高了深度学习网络的自学习能力.将改进的算法与传统协同过滤推荐算法在MovieLens数据集上作推荐对比实验,实验结果证明,相对于传统的推荐算法,改进的推荐算法可以大大提高项目推荐的精确度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴彦文	华中师范大学物理科学与技术学院	67	325	11.0	14.0
2	刘闯	华中师范大学物理科学与技术学院	3	9	2.0	3.0