基于群体兴趣偏向度的数字图书馆协同过滤技术研究*

doi:10.11925/infotech.1003-3513.2007.10.05

现代图书情报技术

2007, Vol. 2

Issue (10): 19-22 https://doi.org/10.11925/infotech.1003-3513.2007.10.05

数字图书馆

本期目录 | 过刊浏览 | 高级检索

基于群体兴趣偏向度的数字图书馆协同过滤技术研究*

马丽

(西华师范大学商学院南充 637002)

Study on Digital Library Collaborative Filtering Technology Based on Group Interest Trend Degree

Ma Li

(Business College, China West Normal University, Nanchong 637002, China)

摘要
参考文献
相关文章
Metrics

全文: PDF (418 KB)
输出: BibTeX | EndNote (RIS)

摘要

针对数字图书馆协同过滤推荐系统所面临的用户评分数据稀疏性问题，提出群体兴趣偏向度的计算方法，对用户－项目评分矩阵空缺值进行预测。实验结果表明，该算法能有效提高推荐质量。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	马丽

关键词 ：协同过滤, 群体兴趣偏向度, 平均绝对偏差

Abstract：

Collaborative filtering recommendation systems in digital library have faced the problem of sparse user ratings. To solve the problem, a computing method of group interest trend degree has been proposed and used into the prediction of vacant values in user-item matrix. The experimental results show that the algorithm can efficiently improve recommendation quality.

Key words： Collaborative filtering Group interest trend degree Mean absolute error

收稿日期: 2007-08-27 出版日期: 2007-10-25

TP311

基金资助:

* 本文系西华师范大学科研启动基金项目“企业信息门户”(项目编号：04B022)的研究成果之一。

通讯作者: 马丽 E-mail: cwnu_mali@yahoo.com.cn

作者简介: 马丽

引用本文:

马丽. 基于群体兴趣偏向度的数字图书馆协同过滤技术研究*[J]. 现代图书情报技术, 2007, 2(10): 19-22.
Ma Li. Study on Digital Library Collaborative Filtering Technology Based on Group Interest Trend Degree. New Technology of Library and Information Service, 2007, 2(10): 19-22.

链接本文:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2007.10.05 或 https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2007/V2/I10/19

［1］ Sarwar B M,Karypis G,Konstan J A, et al. Analysis of Recommendation Algorithms for E-Commerce［C］. In: Proc of the 2nd ACM Conference on Electronic commerce. New York: ACM Press, 2000. 158-167.
［2］ Sarwar B,Karypis G,Konstan J, et al. Item-based Collaborative Filtering Recommendation Algorithms［C］. In: Proc of the 10th International Conference on World Wide Web. New York: ACM Press, 2001：285-295.
［3］ Kim C,Kim J. A Recommendation Algorithm Using Multi-level Association Rules［C］. In: Proc of the IEEE/WIC International Conference on Web Intelligence(WI'03). Washington, DC: IEEE Computer Society, 2003：524-527.
［4］ Aggarwal C C,Wolf J L,Wu K L, et al. Horting Hatches an Egg: A New Graph-Theoretic Approach to Collaborative Filtering［C］. In: Proc of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 1999：201-212.
［5］邓爱林, 左子叶, 朱扬勇. 基于项目聚类的协同过滤推荐算法［J］. 小型微型计算机系统, 2004，25(9)：1665-1670.
［6］赵亮, 胡乃静, 张守志. 个性化推荐算法设计［J］. 计算机研究与发展, 2002, 39(8): 986-991.
［7］张锋, 常会友. 使用BP神经网络缓解协同过滤推荐算法的稀疏性问题［J］. 计算机研究与发展, 2006,43(4): 667-672.
［8］ SchaferJ B,Konstan J A,Riedl J. E-Commerce Recommendation Applications［J］. Data Mining and Knowledge Discovery, 2001, 5(1-2): 115-153.
［9］ Schafer J B,Konstan J A,Riedl J. Recommender Systems in E-Commerce［C］. In: Proc of the ACM Conference on Electronic Commerce. New York: ACM Press, 1999：158-166.
［10］王自强, 冯博琴. 个性化推荐系统中遗漏值处理方法的研究［J］. 西安交通大学学报, 2004, 38(8):808-810.
［11］周军锋, 汤显, 郭景峰. 一种优化的协同过滤推荐算法［J］. 计算机研究与发展, 2004, 41(10):1842-1847.

[1]	李振宇, 李树青. 嵌入隐式相似群的深度协同过滤算法^*[J]. 数据分析与知识发现, 2021, 5(11): 124-134.
[2]	杨辰, 陈晓虹, 王楚涵, 刘婷婷. 基于用户细粒度属性偏好聚类的推荐策略^*[J]. 数据分析与知识发现, 2021, 5(10): 94-102.
[3]	杨恒,王思丽,祝忠明,刘巍,王楠. 基于并行协同过滤算法的领域知识推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 15-21.
[4]	苏庆,陈思兆,吴伟民,李小妹,黄佃宽. 基于学习情况协同过滤算法的个性化学习推荐模型研究^*[J]. 数据分析与知识发现, 2020, 4(5): 105-117.
[5]	郑淞尹,谈国新,史中超. 基于分段用户群与时间上下文的旅游景点推荐模型研究^*[J]. 数据分析与知识发现, 2020, 4(5): 92-104.
[6]	丁勇,陈夕,蒋翠清,王钊. 一种融合网络表示学习与XGBoost的评分预测模型*[J]. 数据分析与知识发现, 2020, 4(11): 52-62.
[7]	焦富森,李树青. 基于物品质量和用户评分修正的协同过滤推荐算法 ^*[J]. 数据分析与知识发现, 2019, 3(8): 62-67.
[8]	李珊,姚叶慧,厉浩,刘洁,嘎玛白姆. 基于ISA联合聚类的组推荐算法研究 ^*[J]. 数据分析与知识发现, 2019, 3(8): 77-87.
[9]	李杰, 杨芳, 徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法^*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[10]	王道平, 蒋中杨, 张博卿. 基于灰色关联分析和时间因素的协同过滤算法^*[J]. 数据分析与知识发现, 2018, 2(6): 102-109.
[11]	王永, 王永东, 郭慧芳, 周玉敏. 一种基于离散增量的项目相似性度量方法^*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[12]	花凌锋, 杨高明, 王修君. 面向位置的多样性兴趣新闻推荐研究^*[J]. 数据分析与知识发现, 2018, 2(5): 94-104.
[13]	薛福亮, 刘君玲. 基于用户间信任关系改进的协同过滤推荐方法^*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.
[14]	覃幸新, 王荣波, 黄孝喜, 谌志群. 基于多权值的Slope One协同过滤算法^*[J]. 数据分析与知识发现, 2017, 1(6): 65-71.
[15]	李道国,李连杰,申恩平. 基于用户评分时间改进的协同过滤推荐算法^*[J]. 现代图书情报技术, 2016, 32(9): 65-69.

Viewed

Full text

Abstract

Cited

Shared

Discussed