ECE 271B：购物建议 在过去的几十年中，由于我们生活中信息的不断增加，推荐系统已成为热门话题。 这是解决信息超载问题的一种重要方法，已应用于许多领域，例如在线商店的产品推荐器和社交媒体平台的内容推荐器。 在这项工作中，引入了两种算法来解决Amazon美食推荐问题，即协同过滤和潜在因子模型。 这些算法用于预测用户对产品的评分，并为用户生成推荐列表。 最后显示了两个模型的结果。 楷模 协同过滤器（CF） 基于用户的CF 基于项目的CF 潜在因素模型 实作 数据

为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题，提高推荐的准确率，对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。利用均值中心化方法对实验数据进行处理，减少因个人评分习惯差异造成的推荐误差。通过使用改进的空值填补法降低评分矩阵的稀疏性，在计算相似度时引入了遗忘函数和用户间的信任度，进一步提高了推荐系统的准确性。实验表明，提出的改进算法比传统算法有更高的准确率，并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法，都有利于提高推荐准确率的重要结论。