第 ２９卷第 ５期 计 算 机 应 用 研 究 Ｖｏｌ２９Ｎｏ５
２ｄｉｍｐｒｏｖｅｔｈｅｒｅｃｏｍｍｅｎｄａｔｉｏｎｑｕａｌｉｔｙ．
Ｋｅｙｗｏｒｄｓ：ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ；ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｈｏｏｄ；ｒａｔｉｎｇｓｕｐｐｏｒｔ；ｓｉｍｉｌａｒｉｔｙ
个性化推荐系统能基于用户个人偏好为用户提供定制信 于项目 ｉ的评分，体现用户 ｕ对项目 ｉ的兴趣和偏好程度。在
［１］
息，其中协同过滤是当前最成功的推荐技术之一 ，已广泛应 该矩阵中，ｍ个行向量分别代表用户集 Ｕ＝｛ｕ１，ｕ２，…，ｕｍ｝中
用于电子商务的各个领域。在基于协同过滤的推荐系统中，一 的每个用户对项目的评分集合，ｎ个列向量分别表示项目集
种被广泛采用的经典模型是 Ｋ近邻模型，其工作原理是利用 Ｉ＝｛ｉ１，ｉ２，…，ｉｎ｝中各个项目的被评分集合。一般情况下，Ｒ
［２，３］
评分相似度来构造目标用户或项目的 Ｋ近邻集合 ，再基于 中已知评分的数量远远小于未知评分的数量。协同过滤推荐
Ｋ近邻集合进行推荐。由于评分数据的稀疏性导致传统相似 算法要解决的问题是给定评分集 ＴＲ（｜Ｔ｜＜＜｜Ｒ｜）作为训练
度的计算结果往往不能准确反映与目标对象的真实联系，加上 集，根据 Ｔ中已知的评分，构造一个推荐系统，该系统要能以
该模型需要事先确定目标对象的最近邻居数量 Ｋ，而未知用户 最小的累积误差对 Ｒ中未知评分项目进行评分预测。
或项目的相似性近邻数量往往不是固定的，过大和过小的 Ｋ
"# 相关工作研究现状
值对算法推荐结果会产生很大影响。同时，Ｋ近邻模型往往只
常用的最近邻协同过滤推荐算法可分为基于用户和
基于评分支持度的最近邻协同过滤推荐算法 来自淘豆网m.daumloan.com转载请标明出处.
