摘要：协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择.该文提出了一种引入加权异构信息的改进协同过滤算法.首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分.在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社