结合贡献度与时间权重的协同过滤推荐算法

传统的协同过滤推荐算法未考虑用户兴趣随时间动态变化，以及不同用户对同一项目评分差异过大对推荐效果的影响，导致推荐效果不理想。针对以上问题，以进一步提高基于用户的协同过滤推荐算法的精度为目标，设计了一种结合贡献度与时间权重的协同过滤推荐算法CTCF。该算法在用户相似度计算中引入可信误差阈值、贡献度与时间权重。首先，利用用户评分信息构建用户-评分矩阵与用户-评分时间矩阵，依据可信误差阈值来计算用户贡献度；然后，引入拟合贡献度与时间因子的遗忘曲线得到时间权重，再将时间权重引入皮尔逊相关系数中计算用户相似度；找出目标用户的邻居集，并预测目标用户对邻居集对应项目中未评分项目的评分；最后，按评分由高到低生成Top-N推荐。在MovieLens数据集上的测试结果表明，CTCF算法具有更高的F1值，有效提高了推荐精度和动态性。