论文研究基于用户评论评分与信任度的协同过滤算法.pdf

针对现有基于评论分析推荐算法中的评论真实度问题和传统协同过滤算法中的数据稀疏问题，通过分析用户评论所包含的主题分布和反馈信息，将改进的用户偏好和信任度引入传统协同过滤算法中，提出了基于用户评论评分与信任度的协同过滤算法。该算法以用户评论为基础，学习物品特征在不同主题上的分布及用户对物品不同特征的偏好程度，生成用户评论主题分布，根据用户评分计算评论差异度来放大主题分布中的突出特征，并利用评论反馈数据生成评论帮助度，进一步矫正用户偏好，以减少虚假评论的影响；引入信任度用于计算更精确的用户相似度，进而对用户进行评分预测和物品推荐。在真实数据集上进行了实验验证，结果表明该算法有效提高了系统的评分预测性能和推荐效果。