基于评分子空间和信任机制的协同过滤推荐算法

互联网技术的快速发展导致了互联网上数据信息的爆炸式增长.推荐系统作为解决互联网信息过载问题的关键技术，其核心思想是通过用户历史行为数据挖掘出用户的个性化偏好，为用户推荐其感兴趣的物品.然而，稀疏的评分数据会导致相似度计算不够准确，进而影响相似用户集的质量.为了提高相似用户搜索的可靠性，引入信任机制和评分子空间，提出基于评分子空间和信任机制的协同过滤推荐算法.创新点主要包括以下两点：首先，算法引入基于用户显式声明的关系数据所构建的信任机制，该关系数据能够对稀疏的评分数据进行补充.其次，利用评分子空间和信任关系，设计了一种基于隐式和显式相似度的混合相似度度量方式，并将之引入到多阶近邻的相似用户搜索方法和迭代评分预测方案中.实验结果表明，所提算法提高了推荐的准确度，具备较好的预测能力.