论文研究基于用户偏好和可疑度的推荐方法研究.pdf

针对传统推荐算法在推荐过程中存在忽略用户偏好、用户恶意虚假信息和时间序列等问题，引入用户兴趣模型，结合用户可疑度与时间效应计算更新用户相似度，经过深度学习网络得到最佳推荐目标。为避免出现数据过拟合情况，在利用贪心思想训练用户数据时，给隐含层和可见层均加上了用户偏好，一定程度上提高了深度学习网络的自学习能力。将改进的算法与传统协同过滤推荐算法在MovieLens数据集上作推荐对比实验，实验结果证明，相对于传统的推荐算法，改进的推荐算法可以大大提高项目推荐的精确度。