基于用戶屬性和項(xiàng)目屬性的融合推薦算法

申艷梅，李亞平，王巖

（河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 焦作 454000）

0 引言

推薦系統(tǒng)（recommendation sysytem）［1］是大數(shù)據(jù)時(shí)代幫助用戶處理信息過(guò)載的重要工具，它根據(jù)用戶行為［2］識(shí)別一組感興趣的條目，為用戶推薦心儀物品，節(jié)省用戶時(shí)間。

協(xié)同過(guò)濾（collaborative filtering，CF）算法［3］被稱為個(gè)性化推薦系統(tǒng)的成功技術(shù)之一，但隨著海量數(shù)據(jù)增加，CF算法出現(xiàn)了一系列問(wèn)題，例如稀疏度越來(lái)越高，推薦準(zhǔn)確性降低［4］，特別是當(dāng)一個(gè)用戶或者項(xiàng)目數(shù)量極少，或者有新用戶和各式各樣的新物品出現(xiàn)時(shí)，很難根據(jù)用戶歷史評(píng)分行為向目標(biāo)用戶進(jìn)行準(zhǔn)確推薦，眾所周知的冷啟動(dòng)［5］問(wèn)題便由此產(chǎn)生。因此，如何解決數(shù)據(jù)稀疏、冷啟動(dòng)問(wèn)題成為近年來(lái)國(guó)內(nèi)外學(xué)者的主要研究方向。李榮等［6］引入兩個(gè)修正因子計(jì)算不同用戶共同評(píng)分項(xiàng)目比例來(lái)調(diào)整相似性；范永全等［7］提出一種給Pearson加權(quán)的相似度計(jì)算方法；端德坤等［8］僅針對(duì)用戶屬性研究，解決了用戶冷啟動(dòng)問(wèn)題，忽略了項(xiàng)目冷啟動(dòng)；吳佳婧等［9］將項(xiàng)目屬性標(biāo)簽融入Pearson相關(guān)系數(shù)計(jì)算項(xiàng)目間的相似度，但未考慮項(xiàng)目被評(píng)分時(shí)間對(duì)相似度的影響；李淑芝等［10］通過(guò)分析項(xiàng)目屬性，得到了用戶的評(píng)分比例，以此為依據(jù)對(duì)相似度進(jìn)行改進(jìn)。以上研究均未考慮時(shí)間上下文問(wèn)題。吳飛等［11］在協(xié)同過(guò)濾算法中利用時(shí)間效應(yīng)動(dòng)態(tài)分配評(píng)分的權(quán)重，將時(shí)間因素和用戶評(píng)分綜合后進(jìn)行預(yù)測(cè)，提出基于時(shí)間效應(yīng)的協(xié)同過(guò)濾算法；LI T Y等［12］通過(guò)遺忘曲線跟蹤用戶興趣隨時(shí)間變化發(fā)生的轉(zhuǎn)移，提高了用戶滿意程度。

經(jīng)分析，上述研究只是對(duì)基于用戶屬性或項(xiàng)目屬性的數(shù)據(jù)信息進(jìn)行獨(dú)立的挖掘，沒(méi)有將二者進(jìn)行充分融合。本文為了解決用戶冷啟動(dòng)問(wèn)題，分析用戶自身年齡、性別、職業(yè)差異度，提出改進(jìn)的基于用戶屬性的協(xié)同過(guò)濾算法（collaborative filtering algorithm based on user attributes，UACF）；

為了解決項(xiàng)目冷啟動(dòng)問(wèn)題，通過(guò)分析項(xiàng)目類型標(biāo)簽與項(xiàng)目被評(píng)分時(shí)間對(duì)項(xiàng)目相似度的影響，提出改進(jìn)的基于項(xiàng)目屬性的協(xié)同過(guò)濾算法（collaborative filtering algorithm based on item attributes，IACF）；在以上基礎(chǔ)上進(jìn)行UACF算法推薦列表和IACF算法推薦列表融合，以提出一種新的加權(quán)融合推薦算法（UIACF）。融合后的推薦列表根據(jù)Top-N算法進(jìn)行推薦，以期克服CF算法中的冷啟動(dòng)問(wèn)題，從而提高推薦系統(tǒng)的性能。

1 傳統(tǒng)協(xié)同過(guò)濾算法

傳統(tǒng)的協(xié)同過(guò)濾算法中，應(yīng)用最廣泛的是基于鄰域的協(xié)同過(guò)濾算法［14］。即基于鄰域的協(xié)同過(guò)濾算法一般劃分為2個(gè)大類，基于用戶的協(xié)同過(guò)濾（user-based collaborative filtering，UBCF）算法［14］和基于項(xiàng)目的協(xié)同過(guò)濾（item-based collaborative filtering，IBCF）算法［15］。

1.1 UBCF算法

在計(jì)算用戶之間相似度時(shí)，傳統(tǒng)的UBCF算法一般使用Pearson相關(guān)系數(shù)，經(jīng)改進(jìn)后的算法以用戶歷史行為為依據(jù)，充分考慮目標(biāo)用戶評(píng)價(jià)過(guò)的每一個(gè)項(xiàng)目評(píng)分，通過(guò)此方法計(jì)算相似度，以提高結(jié)果精準(zhǔn)度，計(jì)算式為

式中：Ru，i，Rv，i分別為用戶u，v對(duì)項(xiàng)目i的評(píng)分；R-u，R-v分別為用戶u，v對(duì)項(xiàng)目i的平均評(píng)分。

1.2 IBCF算法

使用IBCF算法給用戶推薦時(shí)，不能僅僅考慮項(xiàng)目之間的評(píng)分關(guān)系，也要參考用戶的歷史行為，這樣就能為目標(biāo)用戶找到滿足其需求的項(xiàng)目或者物品，然后將這些項(xiàng)目推薦給目標(biāo)用戶。余弦法為傳統(tǒng)相似度的計(jì)算方法，其式為

式中：Ni為評(píng)價(jià)過(guò)項(xiàng)目i的用戶數(shù)量；Nj為評(píng)價(jià)過(guò)項(xiàng)目j的用戶數(shù)量；|NiNj|為同時(shí)評(píng)價(jià)過(guò)項(xiàng)目i和項(xiàng)目j的用戶數(shù)量。

2 改進(jìn)的協(xié)同過(guò)濾算法

2.1 改進(jìn)的基于用戶屬性的協(xié)同過(guò)濾算法

文獻(xiàn)［7］未曾考慮到新用戶沒(méi)有評(píng)分行為和某些用戶評(píng)分?jǐn)?shù)量少的因素，本文算法將用戶屬性融入相似度計(jì)算公式，當(dāng)有新用戶出現(xiàn)時(shí)，推薦系統(tǒng)根據(jù)與新用戶屬性最相似的用戶喜歡的項(xiàng)目進(jìn)行推薦，能夠有效緩解冷啟動(dòng)問(wèn)題。

用戶屬性包括用戶的年齡、性別和職業(yè)。首先對(duì)年齡段進(jìn)行劃分，本文認(rèn)為年齡在10歲以下的人群，其興趣度更加接近，因此將用戶年齡對(duì)10取整，得到的結(jié)果作為該用戶的年齡段；其次用戶性別為男時(shí)，記為0，性別為女時(shí)記為1；職業(yè)劃分標(biāo)準(zhǔn)參考《中華人民共和國(guó)職業(yè)分類大典》將數(shù)據(jù)集中的21種職業(yè)劃分為4個(gè)類別，依次記為0，1，2，3。

本文將以上3類屬性特征聯(lián)合后映射為一個(gè)1行3列的行向量，每一列的值分別為年齡、性別、職業(yè)的分類值，利用歐幾里得距離方法計(jì)算不同用戶間的屬性差異度，將其作為屬性特征相似性計(jì)量方法，用AttriUser（u，v）表示，其計(jì)算式為

式中，Au和Av分別為用戶u，v的特征向量。用戶屬性差異度值越大，說(shuō)明用戶間相似性越高。

本文在計(jì)算用戶間相似度的過(guò)程中引入權(quán)重系數(shù)α，用于調(diào)節(jié)關(guān)于用戶屬性的相似度計(jì)算方法與Pearson相關(guān)系數(shù)各自所占的權(quán)重，從而產(chǎn)生新的相似度計(jì)算方法，即

加權(quán)后的算法緩解了用戶自身年齡、性別和職業(yè)屬性對(duì)用戶興趣度的影響，能夠提高用戶之間的相似度，進(jìn)而提高推薦系統(tǒng)的推薦質(zhì)量。

計(jì)算得到不同用戶間的相似度后，以從大到小原則對(duì)相似度排序，獲得與目標(biāo)用戶最相近的鄰居，然后將僅有最近鄰居評(píng)價(jià)過(guò)的項(xiàng)目推薦給目標(biāo)用戶，最后預(yù)測(cè)目標(biāo)用戶對(duì)每一個(gè)推薦項(xiàng)目的評(píng)分，計(jì)算式為

式中：PUser（u，i）為基于用戶的協(xié)同過(guò)濾算法中用戶u對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分；Ku為用戶u的K個(gè)最近鄰居集合。

2.2 改進(jìn)的基于項(xiàng)目屬性的協(xié)同過(guò)濾算法

傳統(tǒng)算法計(jì)算不同項(xiàng)目間的相似性的依據(jù)是用戶行為，而忽略了項(xiàng)目自身的屬性特征，然而項(xiàng)目自身也有很多種類的屬性，因此以屬性為依據(jù)，根據(jù)不同項(xiàng)目屬性的一致度改進(jìn)其相似性。

文獻(xiàn)［9］雖然引入了項(xiàng)目類型標(biāo)簽，但項(xiàng)目被評(píng)分時(shí)間對(duì)推薦結(jié)果的影響未被考慮，推薦效果不佳，本文算法在計(jì)算相似度時(shí)，考慮時(shí)間因素，由于用戶短時(shí)間內(nèi)的興趣度更加接近，所以評(píng)分時(shí)間間隔越短，推薦結(jié)果越準(zhǔn)確。

定義1項(xiàng)目i擁有屬性a，記為Aui，a=1，否則記為Aui，a=0。

定義2Di，j為項(xiàng)目i和項(xiàng)目j屬性差異度，計(jì)算式為

其中，NA為關(guān)于項(xiàng)目的所有屬性集合。

考慮到目標(biāo)用戶對(duì)不同項(xiàng)目進(jìn)行評(píng)分時(shí)，評(píng)分時(shí)間會(huì)對(duì)項(xiàng)目相似性產(chǎn)生一定影響，因此本文在計(jì)算項(xiàng)目i和j之間的相似度時(shí)，引入兩個(gè)項(xiàng)目同時(shí)被目標(biāo)用戶評(píng)分的時(shí)間差異度。

定義3 項(xiàng)目i和項(xiàng)目j時(shí)間差異度計(jì)算式為

式中，timeui為目標(biāo)用戶u對(duì)項(xiàng)目i的評(píng)分時(shí)間；timeuj為目標(biāo)用戶u對(duì)項(xiàng)目j的評(píng)分時(shí)間，認(rèn)為不同項(xiàng)目在更接近的時(shí)間段內(nèi)被同一用戶進(jìn)行評(píng)分時(shí)會(huì)更加相似。

將項(xiàng)目屬性差異度和項(xiàng)目被評(píng)分時(shí)間影響的差異度融入到傳統(tǒng)的余弦相似度計(jì)算方法，得到改進(jìn)的相似度計(jì)算方法，計(jì)算式為

式（8）為改進(jìn)的親和力計(jì)算方法，充分分析了時(shí)間因素對(duì)用戶興趣度的影響，用戶在短期內(nèi)對(duì)相似項(xiàng)目的興趣度更高，隨著時(shí)間流逝，興趣度發(fā)生偏移，對(duì)相似項(xiàng)目的喜愛(ài)程度降低。因此，該式能更準(zhǔn)確地找到項(xiàng)目的最近鄰。

計(jì)算完成項(xiàng)目之間的相似度之后，從大到小排序，把相似程度高的N個(gè)項(xiàng)目推薦給目標(biāo)用戶，再逐一評(píng)測(cè)其對(duì)推薦項(xiàng)目的評(píng)分，根據(jù)項(xiàng)目i和項(xiàng)目j的相似度得到預(yù)測(cè)評(píng)分，計(jì)算式為

式中，Ruj為用戶u對(duì)項(xiàng)目j的評(píng)分。

2.3 融合的協(xié)同過(guò)濾推薦算法

將改進(jìn)的基于用戶屬性和項(xiàng)目屬性的協(xié)同過(guò)濾算法加權(quán)結(jié)合，得到推薦項(xiàng)目列表，再次進(jìn)行融合的新型融合推薦算法。

如表1～2所示，在UACF算法和IACF算法中，對(duì)同一個(gè)目標(biāo)用戶U1而言，有共同的推薦項(xiàng)目I2和I3，引入β權(quán)重系數(shù)計(jì)算其融合算法的預(yù)測(cè)評(píng)分，當(dāng)數(shù)據(jù)集中用戶數(shù)量比項(xiàng)目數(shù)量多時(shí)，UACF算法的推薦結(jié)果占據(jù)主導(dǎo)地位，否則，IACF算法的推薦結(jié)果占主導(dǎo)地位。UACF和IACF算法融合預(yù)測(cè)評(píng)分計(jì)算方法為

表1 UACF算法對(duì)用戶U1的推薦列表Tab.1 UACF algorithm recommended list for user U1

β=0.8時(shí)，推薦結(jié)果最佳，此時(shí)，P（U1，I2）=0.8×4+0.2×5=4.2，P（U1，I3）=0.8×3+0.2×4=3.2。

表2 IACF算法對(duì)用戶U1的推薦列表Tab.2 IACF algorithm recommended list for user U1

對(duì)于UACF算法的推薦列表和IACF算法的推薦列表中不重合的項(xiàng)目，將UACF算法中的項(xiàng)目I1融合到IACF算法的推薦列表中，對(duì)融合后的列表進(jìn)行預(yù)測(cè)評(píng)分排序。用戶U1的融合推薦列表及其預(yù)測(cè)評(píng)分如表3所示。

表3 UIACF算法對(duì)用戶U1的融合推薦列表Tab.3 Fusion recommendation list of UIACF algorithm for user U1

根據(jù)融合推薦列表的預(yù)測(cè)評(píng)分值進(jìn)行Top-N推薦。UACF算法解決了新用戶冷啟動(dòng)問(wèn)題，IBACF算法解決了項(xiàng)目冷啟動(dòng)問(wèn)題，因此融合后的算法解決了新用戶和新項(xiàng)目出現(xiàn)的冷啟動(dòng)問(wèn)題。

3 算法驗(yàn)證

3.1 實(shí)驗(yàn)流程

輸入：MovieLens數(shù)據(jù)集

算法設(shè)計(jì)如下。

（1）分離MovieLens數(shù)據(jù)集，按比例隨機(jī)生成train訓(xùn)練集和test測(cè)試集。

（2）讀取訓(xùn)練集，生成user-movie-rating排序表。

（3）計(jì)算改進(jìn)的關(guān)于用戶屬性的相似度，用戶與用戶之間的相似度sim（u，v）由Pearson相關(guān)系數(shù)計(jì)算得出。

a）計(jì)算用戶屬性差異度AttriUser：由用戶的性別、年齡、職業(yè)屬性，建立用戶屬性矩陣，從而計(jì)算得到屬性差異度。

b）得到改進(jìn)的用戶相似度simUser（u，v），做歸一化處理。

c）依據(jù)MAE的結(jié)果合理確認(rèn)變量α的值。

（4）根據(jù)用戶的相似度排序，檢索出K1個(gè)與用戶最近的鄰居。

（5）將只有最近鄰居評(píng)價(jià)過(guò)的項(xiàng)目推薦給目標(biāo)用戶，依據(jù)預(yù)測(cè)評(píng)分的高低生成推薦結(jié)果PUser（u，i）。

（6）由步驟（2），根據(jù)用戶行為生成物品-物品的共現(xiàn)矩陣和物品被不同用戶購(gòu)買過(guò)的數(shù)量矩陣。

（7）計(jì)算改進(jìn)的關(guān)于項(xiàng)目屬性的相似度。

a）由傳統(tǒng)算法計(jì)算出項(xiàng)目之間的相似度sim（i，j）。

b）由項(xiàng)目的屬性標(biāo)簽，建立項(xiàng)目屬性矩陣，計(jì)算可得項(xiàng)目屬性差異度Di，j。

c）由項(xiàng)目被用戶評(píng)分時(shí)間計(jì)算得到項(xiàng)目時(shí)間差異度Timei，j。

d）得到改進(jìn)的項(xiàng)目相似度simItem（i，j），進(jìn)行歸一化處理。

（8）根據(jù)項(xiàng)目的相似度進(jìn)行排序，將項(xiàng)目的K2個(gè)最近鄰居推薦給用戶，并生成推薦結(jié)果PItem（u，i）。

（9）將步驟（5）和（8）生成的推薦結(jié)果融合，融合后的列表排序后將前N個(gè)推薦給用戶。

（10）通過(guò)MAE值的變化情況比較本文改進(jìn)的3種算法與文獻(xiàn)［7］和［9］算法。

3.2 數(shù)據(jù)環(huán)境

采用美國(guó)GroupLens小組提供的包含943名用戶對(duì)1682部電影的10萬(wàn)條評(píng)分?jǐn)?shù)據(jù)的MovieLens 100K數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)集被隨機(jī)切分為80%的訓(xùn)練集和20%的測(cè)試集。

3.3 推薦質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)

以準(zhǔn)確率、召回率、MAE和均方根誤差（root mean square error，RMSE）作為衡量指標(biāo)。

（1）準(zhǔn)確率

（2）召回率

式中：U為用戶集合；為推薦的項(xiàng)目列表與實(shí)際評(píng)價(jià)的項(xiàng)目列表相交的數(shù)量；R（u）為推薦的項(xiàng)目列表長(zhǎng)度；T（u）為實(shí)際評(píng)分的項(xiàng)目列表長(zhǎng)度。

（3）MAE

（4）RMSE

式中：N為推薦項(xiàng)目列表的長(zhǎng)度；P（u，i）為用戶u對(duì)推薦項(xiàng)目i的預(yù)測(cè)評(píng)分；Q（u，i）為用戶u對(duì)項(xiàng)目i的實(shí)際評(píng)分。

3.4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文改進(jìn)方法，共設(shè)計(jì)5組實(shí)驗(yàn)。

實(shí)驗(yàn)1通過(guò)MAE值確定UACF算法中權(quán)值α的大小。

本實(shí)驗(yàn)為了確定式（4）中α的最佳值，首先令最近鄰K=30，推薦項(xiàng)目N=12，則不同的α值對(duì)應(yīng)的MAE如圖1所示。

由圖1可知，當(dāng)α=0.5時(shí)，MAE=0.7658，此時(shí)MAE值最小，推薦效果最佳。

圖1 變量α對(duì)應(yīng)的MAE值變化情況Fig.1 MAE changes corresponding to the variableαvalues

實(shí)驗(yàn)2確定UACF算法的最近鄰K1值。取推薦項(xiàng)目個(gè)數(shù)N=12，取12組K1（用戶最相鄰）值，分別計(jì)算傳統(tǒng)UACF（相似度計(jì)算使用Pearson相關(guān)系數(shù)）和改進(jìn)的基于用戶屬性協(xié)同過(guò)濾算法。改進(jìn)算法的最優(yōu)K1值，由召回率、準(zhǔn)確率、MAE和RMSE得到，結(jié)果如圖2所示。由圖2可知，當(dāng)K1值在30附近時(shí)，UACF算法的MAE值最小為0.7761，RMSE最小為0.9516，召回率和準(zhǔn)確率分別為0.0428和0.03848，且?guī)缀醪辉侔l(fā)生變化，因此，UACF算法的用戶最近鄰居K1的最優(yōu)值取30。

圖2 UACF和Pearson的指標(biāo)對(duì)比Fig.2 Comparisons of UACF and Pearson indicators

實(shí)驗(yàn)3確定IACF算法的最近鄰K2的值。

取推薦項(xiàng)目的個(gè)數(shù)N=12，選取12組K2（用戶最近鄰）值，分別計(jì)算傳統(tǒng)Item-Based CF（項(xiàng)目相似度計(jì)算方法采用式（2）余弦相似度）和基于用戶屬性改進(jìn)的協(xié)同過(guò)濾算法，改進(jìn)算法的最優(yōu)K2值由召回率、準(zhǔn)確率、MAE和RMSE得到，結(jié)果如圖3所示。由圖3可知，當(dāng)K2值在5附近時(shí)，IACF算法的MAE和RMSE最小分別為0.76245和0.9508，召回率和準(zhǔn)確率最大分別為0.1164和0.1052，因此，IACF算法的項(xiàng)目最近鄰居K2的最優(yōu)值取5。

圖3 IACF和Cosine的指標(biāo)對(duì)比Fig.3 Comparison of IACF and Cosine indicators

實(shí)驗(yàn)4 計(jì)算融合算法中β對(duì)MAE的影響。

本實(shí)驗(yàn)為了確定式（11）中β的最佳值，由實(shí)驗(yàn)2和實(shí)驗(yàn)3取用戶最近鄰K1=30，K2=5，圖4為不同的權(quán)重系數(shù)β對(duì)應(yīng)的MAE值。由圖4可知，當(dāng)β=0.8時(shí)，MAE=0.7457，此時(shí)MAE值最小，推薦效果最佳。

圖4 權(quán)重系數(shù)β對(duì)MAE值的影響Fig.4 Effect of weight coefficientβon MAE value

實(shí)驗(yàn)5 融合算法與其他算法MAE比較。

將改進(jìn)的基于用戶屬性的協(xié)同過(guò)濾算法與文獻(xiàn)［7］的算法比較，改進(jìn)的基于項(xiàng)目屬性的協(xié)同過(guò)濾算法與文獻(xiàn)［9］的算法比較，融合后的算法與UBACF算法和IACF算法比較，5種算法的推薦效果以MAE的變化情況為依據(jù)，如圖5所示。

圖5 5種算法的MAE值Fig.5 MAE values for the five types of algorithms

由實(shí)驗(yàn)結(jié)果可以看出，改進(jìn)的UACF算法推薦效果要優(yōu)于文獻(xiàn)［7］的，因?yàn)槲墨I(xiàn)［7］算法忽略了用戶屬性特征對(duì)用戶信任度的影響；改進(jìn)的IACF算法推薦效果要優(yōu)于文獻(xiàn)［9］，這是因?yàn)槲墨I(xiàn)［9］未將時(shí)間因素引入相似度計(jì)算中去，導(dǎo)致推薦質(zhì)量不佳；融合的UIACF算法MAE值在5種算法中始終處于最低，在改進(jìn)的UACF和IACF算法推薦效果明顯提高的前提下，UIACF又融合了UACF和IACF的推薦結(jié)果，同時(shí)解決了用戶和項(xiàng)目冷啟動(dòng)問(wèn)題，因此推薦精度最高。

實(shí)驗(yàn)6融合算法與其他算法時(shí)間性能比較。

為了更好地驗(yàn)證算法在不同數(shù)據(jù)集下的時(shí)間性能，選取的K為50～250，每隔50取值1次，表4給出5種算法在不同K值下的運(yùn)行時(shí)間。

表4 5種算法在不同K值的運(yùn)行時(shí)間Tab.4 Running times of five algorithms with different K values

如表4所示，IACF算法和文獻(xiàn)［9］運(yùn)行時(shí)間最長(zhǎng)，這是因?yàn)樗鼈兌际窃趥鹘y(tǒng)余弦相似度算法的基礎(chǔ)上進(jìn)行改進(jìn)的，IACF算法的推薦效率不及文獻(xiàn)［9］算法，IACF算法考慮了用戶興趣度隨時(shí)間偏移發(fā)生的變化。融合算法和文獻(xiàn)［7］、UACF的推薦效率很接近，相對(duì)于本文選取的數(shù)據(jù)集，UACF算法占據(jù)主導(dǎo)地位，但由于融合算法同時(shí)融合了IACF算法，因此在運(yùn)行時(shí)間上要長(zhǎng)于UACF算法和文獻(xiàn)［7］的算法，總體而言，本文提出的融合算法能夠滿足用戶的基本需求。

5 結(jié)論

（1）在UACF算法中，計(jì)算用戶間相似度時(shí)，用戶年齡、性別、職業(yè)等屬性會(huì)帶來(lái)差異，為了減少差異，引入權(quán)重系數(shù)，將用戶屬性差異度與Pearson相關(guān)系數(shù)相結(jié)合進(jìn)行計(jì)算。

（2）在IACF算法中，計(jì)算不同項(xiàng)目間的相似度時(shí)，增加了因時(shí)間因素而導(dǎo)致不同項(xiàng)目被同一用戶評(píng)分的時(shí)間差異度，并引入項(xiàng)目的屬性差異度，提出一種新的計(jì)算項(xiàng)目之間相似度的方法。

（3）實(shí)驗(yàn)表明，本文的融合推薦算法明顯緩解了推薦系統(tǒng)的冷啟動(dòng)和精確度不高問(wèn)題。

（4）本文未考慮用戶的評(píng)分風(fēng)格對(duì)推薦結(jié)果的影響，在以后的工作中將會(huì)通過(guò)深度學(xué)習(xí)對(duì)此進(jìn)行深度挖掘。