基于改进协同过滤算法的时间权重推荐

传统的协同过滤算法存在数据稀疏、可扩展性弱和用户兴趣度偏移等冋题，算法运行效率和预测精度偏低。针对上述问题，提出一种改进的Mini batch K- Means时间权重推荐算法。采用Pearson相关系数改进MiBatch K- Means聚类，利用改进的聚类算法对稀疏评分矩阵进行聚类，计算用户兴趣评分并完成对稀疏矩阵的填充。考虑用户兴趣随时间变化的影响，引入牛顿冷却时间杈重计算攝似度，并基于已填充评分矩阵进行相似度权计算，得到项目最终评分。实验结果表明，与传统协同过滤算该算法的平均绝对误差下降了31.08%，准确率、召回率、門Ⅰ值均有较大提升，具有较髙的评分预测精确。