基于改进型启发式相似度模型的协同过滤推荐方法

　　为提高协同过滤推荐方法的准确性和有效性，提出一种基于改进型启发式相似度模型的协同过滤推荐方法PSJ。该方法考虑了用户评分差值、用户全局评分偏好和用户共同评分物品数三个因素。PSJ方法的Proximity因子使用指数函数反映用户评分差值对用户相似度的影响，这样也可避免零除问题；将NHSM方法中的Significance因子和URP因子合并成PSJ方法的Significance因子，这使得PSJ方法的计算复杂度低于NHSM方法；而且为了提高在数据稀疏情况下的推荐效果，PSJ方法同时考虑了用户间的评分差值和用户全局评分两个因素。实验采用Top-k推荐中的查准率和查全率作为衡量标准。实验结果表明，当推荐物品数大于20时，与NHSM、杰卡尔德算法、自适应余弦相似度（ ACOS）算法、杰卡尔德均方差（JMSD）算法和皮尔逊相关系数算法（SPCC）相比，PSJ方法的查准率与查全率均有提升。