简化版的 Slope One 在线评分预测算法

简介：
本研究提出了一种简化的Slope One在线评分预测方法，旨在减少计算复杂度并提高预测效率，适用于大规模数据环境。 个性化推荐系统在大数据时代是过滤信息的有效手段之一，而数据稀疏性则是影响其预测准确性的关键因素之一。Slope One 评分预测算法通过简单的线性回归模型来解决这一问题，并因其易于实现、评分速度快等优点受到青睐；然而，在训练阶段生成项目之间评分差的计算过程需要大量时间和存储空间，导致该步骤必须离线完成。 为克服上述挑战，本段落提出了一种简化的 Slope One 算法——Simplified Slope One。新算法采用两项目历史平均分之差替代原始评分差异来降低时间复杂度和内存需求，并简化了耗时最长的生成项目间评分差距的过程。这不仅提升了数据利用率，还增强了对稀疏数据环境下的适应能力。 实验在 Movielens 数据集上进行，通过按时间戳排序划分测试集验证算法效果。结果显示 Simplified Slope One 算法与原始 Slope One 在预测准确性方面相差无几；但前者的时间复杂度和空间需求明显低于后者，在大规模、数据量快速增加的推荐系统中更具应用潜力。