二分网络度相关性对个性化推荐的影响

在本文中，通过引入一种基于扩散过程的新的用户相似性指标，我们提出了一种改进的协同过滤（MCF）算法，其精度显著高于标准协同过滤。在所提出的算法中，考虑了用户与对象之间的度相关性，并通过一个可调参数将其嵌入到相似性指标中。在基准数据集上的数值模拟表明，在最优情况下，以平均排序分数衡量的 MCF 算法精度进一步提高了 18.19%。此外，我们还考虑了算法性能的两个重要标准：多样性和流行度。数值结果表明，所提出的算法能够提供更多样化且更不流行的推荐，例如，当推荐列表包含 10 个对象时，以汉明距离衡量的多样性提高了 21.90%。