一种融合聚类与用户兴趣偏好的协同过滤推荐算法

摘要：

协同过滤推荐算法可以根据已知用户的偏好预测其可能感兴趣的项目,是现今最为成功、应用最广泛的推荐技术.然而,传统的协同过滤推荐算法受限于数据稀疏性问题,推荐结果较差.目前的协同过滤推荐算法大多只针对用户-项目评分矩阵进行数据分析,忽视了项目属性特征及用户对项目属性特征的偏好.针对上述问题,提出了一种融合聚类和用户兴趣偏好的协同过滤推荐算法.首先根据用户评分矩阵与项目类型信息,构建用户针对项目类型的用户兴趣偏好矩阵;然后利用K-Means算法对项目集进行聚类,并基于用户兴趣偏好矩阵查找待估值项所对应的近邻用户;在此基础上,通过结合项目相似度的加权Slope One算法在每一个项目类簇中对稀疏矩阵进行填充,以缓解数据稀疏性问题;进而基于用户兴趣偏好矩阵对用户进行聚类;最后,面向填充后的评分矩阵,在每一个用户类簇中使用基于用户的协同过滤算法对项目评分进行预测.实验结果表明,所提算法能够有效缓解原始评分矩阵的稀疏性问题,提升算法的推荐质量.

关键词：推荐系统、协同过滤、聚类算法

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金91646201,91546111;国家科技支撑计划子课题2013BAH21B02-01;北京市教委项目KZ20160005009,KM201710005023

在线出版日期：2018-01-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：391-396