基于协同过滤模型的移动应用混合推荐算法

随着移动应用的急速增长，手机助手等移动应用获取平台也面临着信息过载的问题．面对大量的移动应用，用户很难找到最适合的；而另一方面，长尾应用淹没在资源池中不易被人所知．已有推荐方法多注重推荐准确率，忽视了多样性，推荐结果中多是下载量高的应用，使得推荐系统的数据积累越来越偏向于热门应用，导致长期的推荐效果越来越差．针对这一问题，首先改进了两种推荐方法，提出了将用户的主题模型和应用的主题模型与MF相结合的LDA MF模型，以及将应用的标签信息和用户行为数据同时加以考虑的LDA CF算法．为了结合不同算法的优点，在保证推荐准确率的条件下提升推荐结果的多样性，提出了融合LDA—MF，LDA_ CF以及经典的基于物品的协同过滤模型的混合推荐算法．使用真实的大数据评测所提推荐算法，结果显示，所提推荐方法能够得到推荐多样性更好且准确率更高的结果．