简化的 Slope One 在线评分预测算法

个性化推荐系统是大数据时代信息过滤的有效手段，影响推荐系统预测准确性的主要原因之一是数据稀疏性。Slope One 评分预测推荐算法采用简单的线性回归模型解决数据稀疏问题，具有易于实现、评分预测速度快的特点，但它在训练阶段生成项目之间评分差的时间和空间消耗大，训练阶段需离线进行。为解决以上问题，提出一种简化的 Slope One 算法———Simplified Slope One，以两项目历史平均分之差代替项目评分差，来降低算法的时间复杂度和空间复杂度，简化耗时最多的生成项目之间评分差的过程，以有效提高评分数据的利用率，对稀疏数据有更好的适应性。在 Movielens 数据集上利用按照时间戳排序后划分的测试集进行实验，结果表明 Simplified Slope One 算法对评分预测的准确性与原 Slope One 算法接近，但时间复杂度和空间复杂度均低于原 Slope One 算法，更适合在数据规模增长迅速的大型推荐系统中应用