论文部分内容阅读
在协同过滤算法中，用户之间的相似性计算影响推荐系统的质量，尤其是在数据稀疏的情况下得到的用户之间的关系同实际情况偏离较大，影响推荐精度。针对上述问题，提出一种新的相似性计算算法。利用用户评分结构特征的稳定性，同时结合评分结构间的偏好距离，重新计算用户间偏好相似度。在MovieLens数据集上的实验结果表明，与传统基于用户的相关相似性协同过滤算法及余弦相似性算法相比，该算法的推荐精度平均提高3．94％和2．99％。