Indexed by：
Abstract：
随着互联网服务和产品的大量增加，高效、可靠的推荐系统变得越来越重要。协同过滤是应用最广泛的推荐算法之一。传统的基于用户的协同过滤仅考虑共同评分的物品来计算用户的相似度，容易忽略用户之间的相关性。本文采用一种基于神经网络和用户偏好的协同过滤方法，首先通过聚类算法解决稀疏性问题，其次通过神经网络与用户偏好相结合来学习用户之间的相关性，最后利用训练后的多层神经网络来计算用户对物品的评分情况，来有效提高推荐效果。本文采用EachMovie数据来进行验证，并和现有的一些方法进行比较。实验结果表明，所推荐的协同过滤推荐算法在准确率、召回率、F1三个指标上均优于传统的方法，推荐效果比传统的方法好。
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
福建电脑
ISSN： 1673-2782
CN： 35-1115/TP
Year： 2016
Issue： 1
Page： 1-3
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 6
Affiliated Colleges：
