摘 要：推荐系统作为信息过滤技术的典型代表，是目前解决信息过载问题的重要实现手段。其中协同过滤算法是目前推荐系统中应用最广泛的推荐算法之一。基于物品的协同过滤推荐算法，实质上是在邻近相似度计算的基础上，根据用户的历史行为特征，给用户推荐与用户之前喜欢物品相似物品的过程。文章在传统的基于物品推荐的协同算法基础上，针对用户- 物品评分矩阵以及数据处理时可能存在的数据稀疏性问题，辅以时间衰减函数与修正的夹角余弦，对传统物品相似度计算方法做出改进，经过实验证明，基于时间衰减的物品相似度协同推荐算法可提高推荐结果准确性。
关键词：时间衰减；物品相似度；协同过滤推荐；相似度计算；推荐准确性
中图分类号：TP391.3 文献标识码：A 文章编号：2096-4706（2020）08-0090-04
The Improved Recommendation Algorithm of Item Similarity Collaborative on the Time Attenuation
CHEN Xinyu1，YANG Fan1，2
（1.Computer College of Hubei University of Education，Wuhan 430205，China；2.Hubei Education Cloud Service Engineering Technology Research Center，Wuhan 430205，China）
Abstract：The recommended system，as a typical representative of the information filtering technology，is an important one ofrealization methods. The collaborative filtering algorithm was applied most extensively compared with other algorithms. The collaborative filtering algorithm based on items and similarity calculation between item scores of uses is a process which recommends users theirsimilar items liked by users before with their history behavior characteristics. Based on the traditional collaborative algorithm on item recommendation，aiming at the problem of data sparsity in user item scoring matrix and data processing，this paper improves thetraditional method of calculating item similarity with the help of time decay function and modified cosine，experimental results show that the collaborative recommendation algorithm based on time decay can improve the accuracy of recommendation results.
Keywords：time decay；item similarity；collaborative recommendation；similarity calculation；recommendation accuracy
基金项目：2018 湖北省技术创新专项（软科学研究）项目（2018ADC141）
参考文献：
[1] 杨凯，王利，周志平，等. 基于内容和协同过滤的科技文献个性化推荐 [J]. 信息技术，2019，43（12）：11-14.
[2] 韩志俊. 基于关联规则优化的协同过滤混合推荐算法研究 [D]. 银川：宁夏大学，2018.
[3] VUZA D T，VLADESCU M. Solving an EMC/EMI problemoccurred inside a complex programmable logic device [C]//ElectronicsTechnology（ISSE），Proceedings of the 2014 37th InternationalSpring Seminar on. S.l.：s.n.，2014：390-394.
[4] 刘源. 基于特征距离和时间效应的上下文感知推荐技术研究 [D]. 北京：北京邮电大学，2019.
[5] 张宇航，姚文娟，姜姗. 个性化推荐系统综述 [J]. 价值工程，2020，39（2）：287-292.
[6] 方乐笛，李顺东，窦家维. 曼哈顿距离的保密计算 [J]. 密码学报，2019，6（4）：512-525.
[7] KISEOK LEE. Chebyshev collocation method for the constantmobility Cahn-Hilliard equation in a square domain [J].AppliedMathematics and Computation，2020：370.
[8] MOHAMMAD M N，MOHAMMAD A M，RASOOLZADEGANA. Software defect prediction using over-sampling and feature extractionbased on Mahalanobis distance [J].Journal of Supercomputing，2020，76（1）：602-635.
[9] 唐积益. 推荐系统中相似度计算方法的研究 [D]. 镇江：江苏科技大学，2015.[10] 高文尧. 基于协同过滤的推荐算法研究 [D]. 广州：华南理工大学，2016.
[11] 李世伟. 基于协同过滤算法的推荐系统研究与应用 [D].北京：北京工业大学，2017.
[12] 袁煦聪. 基于长尾理论的物品协同过滤推荐算法研究 [D]. 淮南：安徽理工大学，2019.
作者简介：
陈昕宇（1998.05—），男，汉族，湖北枣阳人，本科，学士学位，研究方向：推荐系统、计算机软件开发；
杨帆（1980.06—），女，汉族，湖北武汉人，博士，教授，研究方向：推荐系统、电子商务。