【摘要】：用户评分预测在以往基于用户的协同过滤推荐来预测评分的基础上，不同用户与目标用户即使在相似性相同的情况下，声誉值较大的用户往往会发挥更加显著的作用。同时，博文自身的声誉效应会对推荐产生一定的作用。因此，本节提出通过目标用户ui近邻集中的用户的声誉和相似程度以及博文的声誉来向目标用户进行博文推荐。公式将用户之间的相似性和其他用户自身的声誉作为预测偏差的两个重要因子，同时引入博文的声誉来加强推荐的效果。
(1)用户相似性计算
本节采用皮尔逊相关系数，通过比较用户ui和uj对共同打分项目的评分情况来获得两者之间的相似度，见公式(6-16)，这里的项目指具体的博文。
其中，Sui，uj为两者共同评分过的博文项目集合，
为用户ui的平均打分值，Rui，n为用户ui对项目n的评分值。
(2)用户评分预测
在以往基于用户的协同过滤推荐来预测评分的基础上，不同用户与目标用户即使在相似性相同的情况下，声誉值较大的用户往往会发挥更加显著的作用。同时，博文自身的声誉效应会对推荐产生一定的作用。因此，本节提出通过目标用户ui近邻集中的用户的声誉和相似程度以及博文的声誉来向目标用户进行博文推荐。预测评分的计算方式见公式(6-17):(www.xing528.com)
其中，neigh(ui)是与目标用户ui相似的近邻集，Repuj是用户uj的绝对声誉值；
n为博文的相对声誉。公式(6-17)将用户之间的相似性和其他用户自身的声誉作为预测偏差的两个重要因子，同时引入博文的声誉来加强推荐的效果。
由于用户的评分在经过调节以后所处的范围为[0，1]，所以本节在推荐过程中采用博文的相对声誉
n来对推荐进行优化设计，防止因为数量级的不同对评分产生过多的影响。
(3)算法描述
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
