融入惩罚因子的协同过滤图书推荐算法

摘要

针对利用传统协同过滤算法进行图书推荐时因忽略冷门物品对推荐精度的贡献问题,提出融入惩罚因子的协同过滤图书推荐改进算法。文章在余弦相似度的基础上,引入热门物品惩罚因子和用户平均评分因子,降低热门物品的评分权重,提取用户特征。使用Book-Crossing数据集进行实验验证,文章提出的改进算法相较于传统算法增加了推荐算法的时效性,对用户进行了更精准的特征提取,改进算法较传统算法召回率平均提高5.4%,在近邻用户较少时,MAE降低1.5%,提高了推荐精度与质量。