使用二分图网络提高协同推荐的准确性

摘要：

协同过滤是推荐系统中广泛使用的最成功的推荐技术,但却面临着严峻的稀疏性问题.评分数据稀疏性使得最近邻搜寻不够准确,导致推荐质量较差.使用二分图网络缓解协同过滤推荐系统中的稀疏性问题,即将用户和项目抽象为二分图网络中的节点,重新分配项目资源并计算项目间资源贴近度,据此填充用户未评分项目,将稀疏评分矩阵转化为完全矩阵.采用近邻传播聚类对评分矩阵进行聚类,提高算法的可扩展性.最后提出了两种不同的在线推荐策略:(1)通过加权目标用户所在类的邻居用户评分产生推荐(BNAPC1);(2)通过各个类的总体偏好产生推荐(BNAPC2).在MovieLens和Netflix数据集上进行了实验,结果表明BNAPC1的预测精度优于BNAPC2,且与其他几种常用的推荐算法相比仍具有一定优势.

关键词：推荐系统、协同过滤、二分图网络、近邻传播聚类

所属期刊栏目：42

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金项目71201145;教育部人文社会科学研究基金项目11YJC630283;上海高校选拔培养优秀青年教师科研专项基金项目sdl10021;上海市教育委员会科研创新项目15ZS064

在线出版日期：2015-04-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：256-260