针对基于多标准的协同过滤(MC-CF)推荐系统中用户负担重、超高维问题,提出了基于多属性效用的协同过滤(MAU-CF)推荐系统。首先,依据用户浏览行为挖掘属性权重和属性值效用,构造用户的多属性效用函数,获取用户对项目的隐式评分;其次,采用遗传算法(GA)寻找用户偏好的属性值集合;然后,根据属性值集合中属性权重和属性值效用的相似度,寻找最近邻;最后,根据相似度预测最近邻浏览或购买过的项目对目标用户的效用,向目标用户推荐效用大的项目。通过比较实验发现,相对于MC-CF,MAU-CF挖掘的隐式效用能够替代显式效用,计算维度减少了44.16%,时间消耗减少了27.36%,平均绝对误差(MAE)减少了5.69%,用户满意度提高了13.44%。实验结果表明,MAU-CF推荐系统在减少用户负担和计算维度、提高推荐质量方面比MC-CF推荐系统表现得更优越。
