基于欧氏空间相似度的云模型协同过滤算法.pdfVIP

CN43—1258／TP 计算机工程与科学 第 37卷第 1O期 2015年 1O月 ISSN 1007—13OX ComputerEngineering Science V01．37，No．10，Oct．2015 文章编号 ：1007—130X(2O15)10—1977—06 基于欧氏空间相似度的云模型协 同过滤算法 廖列法，黎 晨，孟祥茂 (江西理工大学信息工程学院，江西 赣州 34100O) 摘 要 ：传统的基于余弦相似度度量的云模型协同过滤推荐算法未考虑特征向量的长度和维度，忽略 了三个重要数字特征云期望、熵和超熵的关系，如各数字特征具有不同的性质和权重，导致特征丢失、区分 度过 小的问题 。针对这些问题 ，提 出了一种采用标准化的多维欧几里德相似度计算方法，通过将三个数字 特征映射为三维空间的点，计算经指数函数标准化的欧几里德相似度 ，生成更合理的用户k近邻集，最终 产生推荐 。实验结果表明，该相似度计算方法能够为云特征向量提供更显著的区分度 ，并在一定程度上提 高了推荐质量 。 关键词 ：协 同过滤；云模型；数字特征 ；欧几里德相似度；标准化 中图分类号 ：TP3ll 文献标志码 ：A doi：10．3969／j．issn．1007—13OX．2015．10．027 A cloudmodelbasedcollaborativefilteringrecommendation algorithm usingEuclidean distancesim ilaritymeasurement LIAO Lie—fa，LIChen，MENG Xiang—mao (FacultyofInformationEngineering，JiangxiUniversityofScienceandTechnology，Ganzhou341000，China) Abstract：CosinesimilaritymeasurementmethodiSoneofthecollaborativefilteringrecommendation algorithmsbasedoncloudmodel。inwhich neitherthelength anddimensionoffeaturevectorsnorthe relationshipamongthethreedigitalfeaturesofcloudmodel(cloudexpectation，entropyandhyperan— tropy)aretaken intoseriousconsideration．Digitalfeatureshavedifferentpropertiesandweights，which leadstofeaturelossand lack ofdiscrimination．Aimingattheseproblems，weproposeanew method which usesEuclideandistancetomeasurethesimilaritiesofthecloudfeaturevectors．Cloudexpectation， entropyandhyperentropy aremappedintothepointsin athree—dimensionalspace，and theEuclidean similaritiesnormalizedbytheexponentialfunctionarecalculated，thusmoreproperk—nearestneighbours setsaregeneratedandrecommendationresultsareobtained．Experimentalresultsshow thatthenew sire— ilaritymeasurementmethod can notonlyimprovethedifferentiation ofcloudfeaturevectorsbutalso provideabetterrecommendationquality