论文部分内容阅读
协同过滤是推荐系统中最流行且应用最广泛的技术。基于邻域的推荐方法作为其两种类型之一，以简单、高效、稳定和解释性强的特性被广泛应用于商业领域。相似度计算作为该方法的核心步骤，其准确性直接影响预测结果的精度。现有的相似度方法是由共同评价而不是所有评价计算得到的，反映的是局部的相似性，与实际的相似性存在偏差。评价矩阵越稀疏，偏差越大。对此，本文提出一种新的相似度计算方法JS，将整体相似度计算和原有的局部相似度计算结合，更加完整地刻画相似度，同时不增加算法的复杂度，保持其原有的简单性和高效性。并对JS进一步优化，更加细致地描述整体相似度和局部相似度的关系。实验结果表明，该方法比现有的方法更有效。