摘要：传统的协同过滤推荐算法存在数据稀疏情况下分类准确性低的问题,针对于此提出一种基于改进余弦相似度的协同过滤推荐算法,将数据经嵌入层转换为特征矩阵,将对其计算后得到的改进余弦相似度矩阵和单位矩阵之间的均方误差作为损失函数,从而提高推荐算法在数据稀疏情况下的分类准确性。实验结果表明,该算法的AUC和对数损失函数指标均优于基线模型FM、FFM和Deep FM模型。

关键词：改进余弦相似度 协同过滤 推荐算法 深度因子分解机 

单位：中国科学院声学研究所国家网络新媒体工程技术研究中心; 北京100190; 中国科学院大学; 北京100049