一种改进的协同过滤并行推荐算法
传统的协同过滤算法存在准确率较低以及计算延时性问题,本文提出一种基于标签与协同过滤的并行推荐算法:通过计算标签的TFIDF值,降低流行标签的权重,根据用户的历史行为预测用户对其他资源的偏好值,最后依据预测偏好值排序产生Top-N推荐结果.论文不仅在理论上对算法的计算效率与复杂性进行了分析,而且通过MapReduce实现了该算法,并在实验中与Mahout的协同过滤算法进行了对比分析,实验结果表明在该算法有较高的准确性,能有效的提高推荐效率.
并行推荐算法 协同过滤 流行标签 资源偏好值 推荐效率
蔡强 白璐 李海生 毛典辉
北京工商大学计算机与信息工程学院 北京 100048
国内会议
广州
中文
834-837
2014-11-06（万方平台首次上网日期，不代表论文的发表时间）