随着社交媒体的大力发展,互联网不再只是人们获取信息的工具,同时还是人们分享信息的渠道。用户生成内容使得人们面临着信息过载,大量真正有价值的信息难以被发现。个性化推荐系统凭借其较低的用户参与度被认为是当前解决信息过载最有潜力的方法之一。然而,目前最成熟、应用最广的协同过滤推荐方法正面临着数据稀疏性、多样性等问题,其推荐效果不甚理想。本文提出了一种基于线性回归的推荐方法,利用用户或物品的评分频次信息,建立了线性回归模型,以此预测用户对未评分物品的评分。该方法具有低复杂性、可增量更新、高准确性等优点所述方法的评分预测准确性、分类准确性指标，新型推荐方法-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机以及模型建立和预测时间的相应结果对照，具体研究阐释论述如下。2．4．1预测准确性为了衡量基于线性回归的推荐方法评分预测准确性，本文采用了2．2节介绍的误差指标MAE和RMSE，其中RMSE在应用上要更趋广泛，这里，本文只给出了各方法在不同数据稀疏程度下的RMSE对比结果，如图1所示。图1RMSE对比实验Fig．图1可以看出基于线性回归的推荐方法无论在何种比例的数据集划分下的RMSE值均远远本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name小于基于物品的协同过滤方法，即预测准确性高。同时，也可以看出单纯地以用户的评分频次以及物品评分频次的加权值作为预测结果，其准确性也较高，说明评分频次信息对于评分预测具有较大的价值。尽管当数据集更稀疏的情况下，图中训练集的比例仅为10%的时候，基于线性回归的推荐方法的RMSE值与物品平均评分很接近，但是随着训练集比例不断增加，基于线性回归的推荐方法的评分预测准确性则呈现出明显性能优势。2．4．2分类准确性评分预测准确性衡量的是预测评分与实际评分之间的差距，而真实系统中由于只关心给用户推荐出来的前N个物品是否符合用户的兴趣，因此，本文将预测评分和实际评分与评分喜好阈值(数据集采用5分制，这里阈值取3)进行比较，判断预测用户对物品的喜好是否与实际情况一致相符，也就是2．2节所讨论的喜好分类指标，其中，precision和recall值都不能单独衡量预测结果的分类性能高低，本文仅给出了两者合成指标F值的对比，如图2所示。图2F－Measrue比较实验F2可以看出，随着训练集比例的增加，除基于物品的协同过滤方法外，其余方法的F值均有所增加，并且远远大于基于物品的协同过滤方法。此外，基于线性回。新型推荐方法-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name