10.3778/j.issn.1002-8331.2006-0212
结合用户聚类与改进用户相似性的协同过滤推荐
协同过滤算法作为一种信息筛选的重要方式,在大数据时代下受到越来越多的关注.但传统的协同过滤算法由于面临着严重的数据稀疏性以及只考虑用户间的评分相似性,导致推荐准确率较低.对此,提出了一种改进的协同过滤算法.利用K-means++算法对用户属性进行聚类,从而降低数据的稀疏性;考虑到用户兴趣会随时间发生动态变化,在传统的评分相似性中引入时间因素;将信任误差引入到用户间的信任关系中,从而改善用户信任度;将基于时间因素的评分相似性与改进的用户信任度进行融合,从而提高用户相似性的计算精度.在MovieLens数据集上进行仿真实验,结果表明,该算法能有效地提高推荐的预测准确性.
推荐算法、协同过滤、K-means++、时间因素、信任度、相似度
56
TP391.3(计算技术、计算机技术)
国家重点研发计划"科技冬奥"重点专项子课题;河北省高等学校科学技术研究项目;河北省自然科学基金
2020-11-20(万方平台首次上网日期,不代表论文的发表时间)
共6页
185-190