關鍵詞：個性化推薦 協同過濾 懲罰因子 物品相似度 覆蓋度 

摘要：作為業界應用最成功、最廣泛的個性化推薦算法之一,協同過濾算法依然面臨著諸多問題與挑戰,數據的長尾分布便是其中之一。由于用戶行為數據往往存在長尾分布的現象,同時采用Jaccard相似度作為物品相似度計算公式的協同過濾算法往往傾向于為用戶推薦熱門物品,致使熱門的物品越來越熱門,冷門的物品越來冷門。在不斷給用戶推薦物品的過程中,該傳統協同過濾算法推薦給用戶的物品集合越來越小,可能會漸漸失去個性化推薦的能力,影響用戶體驗,為降低熱門物品對物品相似度計算結果的影響,本文提出一種基于物品流行度的懲罰因子(Penalty Factor)來修正物品相似度公式。通過在三個公開數據集上的實驗驗證與分析,該改進方法可在一定程度上提高推薦算法發掘新物品的能力。

科研信息化技術與應用雜志要求:

{1}計量單位、數字、符號文稿必須使用法定的計量單位符號

{2}投稿3個月后未收到刊用通知，作者可自行處理。

{3}中文摘要一般限在200字以內，應包括研究背景、方法、結果、結論或討論四部分內容；關鍵詞一般3-5個。英文摘要及關鍵詞則與中文的相對應。

{4}作者不屬同一單位時，應在作者姓名右上角加注不同的阿拉伯數字。

{5}論文應有中英作者署名、工作單位、所在省、市名稱和郵編。如有多位作者，其間以逗號分開，其工作單位不同，應按阿拉伯數字順序標注在右上角，單位與單位之間用分號。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社