论文部分内容阅读
针对传统的基于项目的协同过滤推荐算法中数据稀疏问题，以及受时间效应影响推荐准确度较低问题，提出将隐马尔科夫模型与传统的基于项目的协同过滤推荐算法相融合的推荐算法HMM-ItemCF。算法通过隐马尔科夫模型对系统中所有用户的评分行为，与目标用户的历史评分行为进行统筹分析，找到一批用户下一时刻概率最高的评分对象，并将这些评分对象发生概率与传统的项目相似度计算方法相加权得到新的相似度，最终产生推荐结果。仿真实验中对算法的重要参数进行训练，并与其他算法进行对比，证明改进后的算法是有效的。