Pearson相关系数下非对称相似度计算及其应用OACSTPCD

稀疏性是推荐算法存在的问题之一,解决稀疏性问题的常用方法是矩阵分解,矩阵分解结合用户相似度可以提高推荐的准确率,但是传统的相似度计算方法并未考虑用户对项目评分数量的差异,因此构建的相似度矩阵是对称的.针对这一问题,结合Pearson相关系数,给出一种新的计算方法——用户非对称相似度.在考虑用户对相同项目评分的同时,计算用户间评分相同的项目数与用户所有评分项目数的比值,以此拉近用户之间相似的程度,且得到用户之间的非对称关系.其次,利用用户非对称相似度方法计算用户间相似度矩阵,将相似度矩阵与用户评分矩阵融入到概率矩阵分解框架中,实现用户的社会化推荐.在公开数据集上测试,结果显示改进的非对称相似度公式相比传统的相似度计算公式,在稀疏的数据集上进行社会化推荐能得到更准确的推荐结果.