高发展, 黄梦醒, 张婷婷. 综合用户特征及专家信任的协作过滤推荐算法[J]. 计算机科学, 2017, 44(2):103-106.
总结。

改进的混合推荐算法

混合推荐算法，即基于改进的用户特征及专家新人的协作过滤算法

• 基于用户特征的协同过滤
  研究表明，当数据集中几乎没有用户评分数据时，利用用户特征也能启动协作过滤算法。所以当新用户到达推荐系统时，利用用户填写的注册信息可以有效缓解推荐系统中的冷启动问题。
  （1）用户性别：，不同性别的用户的会选择不同类别的项目。比如，女性用户偏向于情感片，男性用户偏向于武打动作片。所以将性别分为男性、女性。
  0: 代表男性;
  1 :代表女性。
  （2）用户年龄：不同年龄段的用户需求也有所不同，比如，小孩喜欢看动画片，青少年喜欢看校园片，中年人喜欢看家庭生活片，老年人喜欢看纪录片等。通过统计分析不同年龄段的喜好差异，给出了7 个年龄段划分。
  1:0-6 岁;
  2:7-12 岁;
  3:13-18 岁;
  4:19-30 岁;
  5:31-40 岁;
  6:41-60 岁;
  7:60 岁以上。
  用户属性的相似度计算方法如式(2) 所示:
  
  不同属性上的相似度按照式（3）进行计算:
  

• 基于专家信任的协作过滤
  该算法中只需计算活动用户与少量专家用户之间的相似度即可，可以大大降低计算的复杂度
  计算用户u 和专家e 之间的相似度的公式如下:
  
  |Iu| 表示用户u 评论项目集合。

  这样用户u对项目i的预测评分值
  

• 基于改进的用户特征及专家信任协作过滤算法
  用户u 和用户u 的总体相似度
  
  用户u 对项目i的预测评分
  

混合推荐算法步骤

1)建立相似度矩阵，计算用户之间的相似度，并按照式(4)将用户特征加入相似度计算中;

2) 计算用户和专家之间的相似度;

3) 按照相似度从大到小排序，分别找到基于用户和基于专家的最相近的n 个用户和专家作为目标用户的邻居;
4)根据式(7) ，基于最近邻居预测目标用户对待推荐项目的评分;
5) 按照项目评分对项目排序，得到最终的Top-N 推荐。