摘要: 针对传统协同过滤算法中存在数据稀疏、 数据冗余和算法效率低等问题, 提出一种基于社交关系和条件补全的协同过滤推荐算法. 该算法将社交关系数据应用到矩阵补全过程中, 减小原始矩阵的稀疏度, 同时提高补全数据的精确度; 在项目相似性计算时, 条件性地选择参与计算的向量数据, 减少数据的冗余度, 并降低算法的时间复杂度. 实验结果表明, 改进算法的推荐准确率明显提高.
中图分类号:
张为民, 李坷露, 李永丽. 基于社交关系和条件补全的协同过滤推荐算法[J]. 吉林大学学报(理学版), 2017, 55(05): 1244-1248.
ZHANG Weimin, LI Kelu, LI Yongli. Collaborative Filtering Recommendation Algorithm Based onSocial Relation and Condition Completion[J]. Journal of Jilin University Science Edition, 2017, 55(05): 1244-1248.