论文部分内容阅读
目前许多基于社会化标签的推荐均忽视用户的兴趣变化及反复性，影响了推荐质量。针对该问题，提出一种将指数遗忘权重和时间窗口相结合的算法，既突出了近期兴趣的重要性，又强调了反复出现的早期数据。建立基准标签集，根据指数偏移后的标签向量选出目标用户的最近邻居，通过目标用户时间窗内标记的资源计算其所有资源的推荐权重向量，结合推荐权重和资源相似度给出最近邻居标记资源的推荐分数，取分数最高的前K个资源做出推荐。仿真实验结果表明，改进后的算法能动态地跟踪、学习用户的兴趣变化，提高推荐精度。