多层次混合的协同过滤推荐算法

　　针对传统协同过滤推荐算法在数据稀疏的情况下存在的性能缺陷和相似性度量方法的不足，为了提高推荐精度，改进原算法得到了一种基于多层次混合相似度的协同过滤推荐算法。该算法主要分为三个不同的层次：首先采用模糊集的概念将用户评分模糊化，计算用户的模糊偏好，并结合用户评分的修正余弦相似度和用户评分的Jarccad相似度总体作为用户评分相似度；再对用户评分进行分类来预测用户对项目类别的兴趣程度，从而计算出用户兴趣相似度；然后利用用户的特征属性来预测用户之间的特征相似度；其次根据用户评分数量来动态地融合用户兴趣相似度及用户特征相似度；最后融合三个层次的相似度作为用户混合相似度的结果。利用MovieLens公用数据集对改进前后的算法进行对比实验，结果表明：当在邻居集合数量较少时，改进的混合算法相对修正余弦相似度算法的平均绝对偏差（ MAE）下降了5%左右；较改进的修正的Jaccard相似性系数的协同过滤（MKJCF）算法也存在略微的优势，随着邻居集合数的增加MAE也平均下降了1%左右。该算法采用多层次的推荐策略提高了用户的推荐精度，有效地缓解了数据稀疏性问题和单一度量方法的影响。