本栏目责任编辑：王力数据库与大数据技术ComputerKnowledgeandTechnology电脑知识与技术第18卷第35期(2022年12月)协同过滤算法改进实验及对比分析张小雷（阜阳职业技术学院图文信息中心，安徽阜阳236031）摘要：在协同过滤推荐算法中融入时间因素对其进行改进，为了验证改进后的算法能够把推荐的准确度给提高，使用Py⁃thon编程语言，在电影数据集Movielens中的ml-lm数据集下进行实验，对比传统与改进算法之间的MAE值。文章介绍了实验的目的、评价指标、理论知识、过程和结果。通过实验的结果可以明显看出这种改进后的算法能够提高推荐的准确度。关键词：协同过滤；推荐算法；改进；MAE；实验中图分类号：G642文献标识码：A文章编号：1009-3044(2022)35-0064-03开放科学（资源服务）标识码（OSID）：1概述当用户面对海量的商品不知道该如何选择的时候，推荐系统能够很直接地把用户和商品给联系起来，把那些用户有意向购买的商品挖掘出来，对用户进行推荐[1]。在一个推荐系统中，最重要的就是推荐算法，其直接影响着对用户推荐的结果[2]。协同过滤推荐算法是一种用得非常多的推荐算法，其思想是先找出用户或者物品以往的数据信息，根据这些数据信息把与之相似的用户或者物品给找到，通过计算他们的相似度，来确定用户是否真的对此类东西有兴趣，就能够对他们做出推荐[3]。但是随着时间的推移用户的一些行为和习惯都会发生变化，所以在协同过滤推荐算法中融入时间因素对其进行改进[4]。为了验证这种改进的推荐算法能否提高推荐的准确度，在实验中与传统算法的准确度进行了比较，为提高推荐系统的推荐质量寻找新的方法。2实验目的比较传统的协同过滤算法与融入时间因素后的改进的协同过滤算法的推荐准确度，为提高推荐系统的推荐质量寻找新的方法。3实验评价指标为了比较算法的准确度，实验中采用平均绝对误差（MAE）作为准确度的评价指标[5]，公式为：MAE=im∑i=1m|yi-y'i|公式里，yi是实验选取的测试集里的真实的值，y'i是预测的值，m是实验中选取的样本的数量。实验结果中MAE越是小，就意味着其所预测的准确度就越是高。4实验理论知识4.1算法介绍协同过滤推荐算法是一种用得非常多的推荐算法。有基于用户的协同过滤（UserCF）算法和基于物品的协同过滤（ItemCF）算法[6]。在实际的推荐过程中，时间的变化是不能够忽视的因素，随着时间的变化，用户的购买行为和用户的购买习惯会发生一些变化[7]。把时间因素融入协同过滤算法中可以反映用户最近的购...
