摘要：作为业界应用最成功、最广泛的个性化推荐算法之一,协同过滤算法依然面临着诸多问题与挑战,数据的长尾分布便是其中之一。由于用户行为数据往往存在长尾分布的现象,同时采用Jaccard相似度作为物品相似度计算公式的协同过滤算法往往倾向于为用户推荐热门物品,致使热门的物品越来越热门,冷门的物品越来冷门。在不断给用户推荐物品的过程中,该传统协同过滤算法推荐给用户的物品集合越来越小,可能会渐渐失去个性化推荐的能力,影响用户体验,为降低热门物品对物品相似度计算结果的影响,本文提出一种基于物品流行度的惩罚因子(Penalty Factor)来修正物品相似度公式。通过在三个公开数据集上的实验验证与分析,该改进方法可在一定程度上提高推荐算法发掘新物品的能力。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社