Resumen

Dado que la matriz compleja de recomendación de usuarios se caracteriza por una fuerte dispersión, es difícil recomendar correctamente servicios relevantes para los usuarios utilizando el método de recomendación basado en ubicación y filtrado colaborativo. La medida de similitud entre usuarios es baja. Este documento propone un método de fusión basado en la divergencia de KL y la similitud del coseno. La divergencia de KL y la similitud del coseno tienen ventajas al comparar tres métricas similares en diferentes valores. Al utilizar el método de fusión de ambos, la similitud de los usuarios con la preferencia se reutiliza. Al comparar el algoritmo de filtrado colaborativo basado en ubicación (LCF), el algoritmo de filtrado colaborativo basado en usuarios (UCF) y el algoritmo de recomendación de usuarios (F2F), el método propuesto tiene la ventaja de la tasa de preparación, la tasa de recuperación y el efecto experimental. En diferentes valores medios, el método propuesto también tiene una ventaja en los resultados experimentales.

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Recomendación; Matriz compleja; Dispersión; Medida de similitud; Método de fusión; Divergencia de KL; Similitud del coseno; Filtrado colaborativo; Basado en la ubicación; Basado en el usuario; F2F; Tasa de preparación; Tasa de recuperación; Efecto experimental
• Keywords:Recommendation; Complex matrix; Sparsity; Similarity measure; Fusion method; KL divergence; Cosine similarity; Collaborative filtering; Location-based; User-based; F2F; Preparation rate; Recall rate; Experimental effect