结合用户行为数据的软件产品个性化推荐算法研究

摘要

针对当前软件推荐方法依赖历史评分数据、忽略用户兴趣差异而导致推荐精度不足的问题，本文提出一种结合用户行为数据的软件产品个性化推荐算法研究。通过采集用户多维行为数据构建行为向量，并基于高斯核函数建立用户邻接矩阵;利用规范化拉普拉斯矩阵分解实现行为数据降维，保留用户间潜在相似性;采用密度峰值聚类算法，依据局部密度与相对距离识别用户群体，划分具有相似偏好的用户簇;在各簇内应用协同过滤算法计算用户相似度，基于邻居评分预测目标用户对未交互产品的偏好，生成个性化推荐列表。实验结果表明:所提方法的推荐覆盖率均值达到0.82，推荐准确率均值达到0.92，推荐召回率均值达0.89，显著优于对比方法，验证了其在提升推荐精度与覆盖能力方面的有效性。

关键词

用户行为数据 / 软件产品 / 个性化推荐 / 推荐精度 / 协同过滤