基于时间效应的协同过滤算法

计算机工程与科学

基于时间效应的协同过滤算法

吴飞，余腊生,冯梅

（中南大学软件学院，湖南长沙 410083）

收稿日期:2015-12-25 修回日期:2016-06-07 出版日期:2017-11-25 发布日期:2017-11-25
基金资助:
国家自然科学基金（61573380）

A collaborative filtering algorithm based on time effect

WU Fei,YU La-sheng,FENG Mei

（School of Software,Central South University,Changsha 410083,China）

Received:2015-12-25 Revised:2016-06-07 Online:2017-11-25 Published:2017-11-25

摘要/Abstract

摘要：

协同过滤算法已被成功应用在个性化推荐系统中，但传统的协同过滤算法很少考虑时间因素的影响，难以确保最近邻集的准确性和可靠性。虽然很多文献提出了各种改进推荐算法，但仍然没能在计算中有效地将时间因素和用户评分综合起来。因此，在原有的工作基础上提出基于时间效应的协同过滤算法，将时间因素纳入用户预测评分和用户相似性计算中，并综合这两个因素来动态分配每一项评分的权重，采用预测评分填充用户-项矩阵和二次计算用户相似性矩阵的方法，最终得到Top-N推荐集。实验表明，改进后的算法提高了推荐算法的精度和推荐质量。

关键词: 协同过滤, 时间效应, 项集相似性, 预测评分, 平均绝对误差

Abstract:

Collaborative filtering algorithms have been successfully applied in personalized recommendation. However, it is hard for traditional filtering algorithms to make sure that the accuracy and reliability of the nearest neighbors set is good enough because they ignore the impact of time factor. Even though there are a number of improved collaborative filtering algorithms, they cannot integrate time factor and user scores in their calculation. We propose a new algorithm based on time factor and our original work, which introduces time factor into user score prediction and user similarity calculation and assigns each item a dynamic weight by synthesizing time and user similarity. We finally obtain a Top-N set by filling the user-item matrix with user prediction scores and secondary calculating user similarity matrix. Experiments prove that the improved algorithm can enhance recommendation accuracy and quality.

Key words: collaborative filtering, time effect, items set similarity, predict score, mean absolute error

吴飞，余腊生,冯梅. 基于时间效应的协同过滤算法[J]. 计算机工程与科学.

WU Fei,YU La-sheng,FENG Mei. A collaborative filtering algorithm based on time effect[J]. Computer Engineering & Science.

[1]	吴斯琦, 赵清华, 于雨晨. 基于元学习的图神经网络冷启动推荐[J]. 计算机工程与科学, 2024, 46(09): 1675-1684.
[2]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[3]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[4]	陈海龙, 闫五岳, 孙海娇, 程苗. 标签扩展的协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(10): 1826-1832.
[5]	张瑞典，钱晓东. 用余弦相似度修正评分的协同过滤推荐算法[J]. 计算机工程与科学, 2020, 42(06): 1096-1105.
[6]	袁泉1,2,3,成振华1,2,江洋1,2. 基于知识图谱和协同过滤的电影推荐算法研究[J]. 计算机工程与科学, 2020, 42(04): 714-721.
[7]	宋月亭, 吴晟. 基于相似度优化和流形学习的协同过滤算法改进研究[J]. 计算机工程与科学, 2020, 42(02): 351-357.
[8]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[9]	刘辉1,2,3，万程峰1,2，吴晓浩1,2. 基于增量协同过滤和潜在语义分析的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2033-2039.
[10]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[11]	刘国丽，白晓霞，廉孟杰，张斌. 基于专家信任的协同过滤推荐算法改进研究[J]. 计算机工程与科学, 2019, 41(10): 1846-1853.
[12]	吴浩1，王晓晨1，曾诚1,2，何鹏1,2. 基于异质用户网络嵌入的服务推荐方法研究[J]. 计算机工程与科学, 2019, 41(07): 1244-1250.
[13]	李艳娟，牛梦婷，李林辉. 基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(06): 1101-1109.
[14]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.
[15]	刘井平，李平. 一种模糊认知的协同过滤算法[J]. 计算机工程与科学, 2018, 40(05): 898-905.