改进的用户协同过滤推荐算法的对比与实现（55页23171字数）.doc

（1）在计算用户相似度时，考虑到传统协同过滤的用户评分矩阵稀疏性问题，引入了物品-用户倒查表。本文建立物品-用户的倒查表，只计算有相同评分项的用户之间的相似度，避免了传统方法两两用户计算相似度的复杂工作量，通过实验数据可以得出，大约节约了10%的运行时间，这使得推荐算法的质量有所提高。 （2）本文还根据John S.Breese提出的结论，利用“惩罚”用户共同兴趣列表中热门物品对他们相似度的影响这一方法，改进了用户相似度的计算，通过实验数据可以得出，这使得推荐结果的召回率由原来的最高19.523%提升到19.550%，准确率由原来的最高22.842%提升到22.874%、覆盖率由原来的31.084%提升到32.711%，进而能更好地实现推荐系统的个性化。 （3）最后，本文根据在不同数据集下推荐算法的评价指标比较，分析了对算法质量的影响因素，以及产生影响的原因；对比了不同计算用户相似度的方法，得出余弦相似度方法较为突出的结论。