融合调和用户熵权重和矩阵分解的推荐算法

针对传统的协同过滤算法在近邻选择环节中没有考虑评分矩阵中的评分是否准确和邻居用户对目标用户真实的推荐贡献能力,导致了近邻选择的不准确的问题,提出了一种融合调和用户熵权重和矩阵分解的推荐算法。算法首先利用时间间隔权重对评分数据进行处理,得到更加贴合实际的评分矩阵,然后引入调和的用户熵权重来计算用户间的相似度,使目标用户能够选取到更准确的近邻.最后将模型与矩阵奇异值分解模型相融合,进一步提高了算法的性能.实验结果表明提出的算法与一些传统算法相比能够得到更客观的评分矩阵,并且可以获取到更准确的近邻集合,提高推荐的质量.