基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
协同过滤算法是经典的个性化推荐算法,其中相似度度量方法直接影响推荐系统的准确率.针对用户评分极端稀疏情况下传统相似度度量方法均存在各自的弊端,导致推荐系统的推荐精度不高问题,提出了一种基于互信息的项目协同过滤推荐算法.该算法将互信息作为相似度度量方法,不仅考虑了变量之间的线性或非线性相关性,而且还能挖掘变量之间的相关性强弱.另外,由于共同评分的项目用户数很少,在互信息方法基础上引入了一个平滑系数因子,来缓解共同评分过少项目之间相似性度量不准确问题.最后,在公开的MovieLens、Jester两个数据集上进行了大量对比实验.实验结果表明,新算法能在一定程度上提高推荐系统的预测准确率,并能缓解数据稀疏性问题.
推荐文章
基于互信息的推荐系统方法研究
推荐系统
互信息
权重
协同过滤
基于用户历史行为的协同过滤推荐算法
数据挖掘
协同过滤
用户偏好
项目相似度
个性化推荐
基于项目属性与数据权重的协同过滤推荐算法
推荐系统
协同过滤
项目属性
相似性
数据权重
基于用户引力的协同过滤推荐算法
推荐算法
协同过滤推荐
万有引力定律
社会标签
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于互信息的项目协同过滤推荐算法
来源期刊 测控技术 学科 工学
关键词 协同过滤 互信息 平滑系数 推荐
年,卷(期) 2019,(4) 所属期刊栏目 先进算法与人工智能
研究方向 页码范围 41-44,49
页数 5页 分类号 TP391
字数 4215字 语种 中文
DOI 10.19708/j.ckjs.2019.04.009
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 郑诚 安徽大学计算智能与信号处理实验室 103 1013 15.0 28.0
5 章金平 安徽大学计算智能与信号处理实验室 5 14 3.0 3.0
9 徐启南 安徽大学计算智能与信号处理实验室 3 4 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (120)
共引文献  (390)
参考文献  (13)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1979(1)
  • 参考文献(0)
  • 二级参考文献(1)
1986(1)
  • 参考文献(0)
  • 二级参考文献(1)
1994(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(2)
  • 参考文献(0)
  • 二级参考文献(2)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(4)
  • 参考文献(1)
  • 二级参考文献(3)
2003(7)
  • 参考文献(0)
  • 二级参考文献(7)
2004(5)
  • 参考文献(0)
  • 二级参考文献(5)
2005(7)
  • 参考文献(0)
  • 二级参考文献(7)
2006(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(5)
  • 参考文献(0)
  • 二级参考文献(5)
2008(4)
  • 参考文献(0)
  • 二级参考文献(4)
2009(12)
  • 参考文献(1)
  • 二级参考文献(11)
2010(13)
  • 参考文献(0)
  • 二级参考文献(13)
2011(14)
  • 参考文献(0)
  • 二级参考文献(14)
2012(14)
  • 参考文献(2)
  • 二级参考文献(12)
2013(12)
  • 参考文献(0)
  • 二级参考文献(12)
2014(10)
  • 参考文献(3)
  • 二级参考文献(7)
2015(9)
  • 参考文献(1)
  • 二级参考文献(8)
2016(2)
  • 参考文献(0)
  • 二级参考文献(2)
2017(5)
  • 参考文献(5)
  • 二级参考文献(0)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
协同过滤
互信息
平滑系数
推荐
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
测控技术
月刊
1000-8829
11-1764/TB
大16开
北京2351信箱《测控技术》杂志社
82-533
1980
chi
出版文献量(篇)
8430
总下载数(次)
24
总被引数(次)
55628
论文1v1指导