融合类目偏好和数据场聚类的协同过滤推荐算法研究

摘要：

[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一,受数据稀疏和计算可扩展问题影响,推荐效果不尽如人意.[方法/过程]针对上述问题,提出了一种改进的推荐算法(Catego-ry Preferred Data Field Clustering Based Collaborative Filtering Recommendation,CPDFC-CFR).首先,该算法舍弃用户评分,利用评论情感构建用户—项目矩阵,以增强用户偏好表示能力;其次,该算法引入类目偏好和语义偏好的概念,利用类目偏好比对高维用户—项目矩阵进行降维,并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好,以降低数据稀疏性;最后,该算法将数据场作为用户聚类的前置算法,把数据场输出(极大值点)作为K-means算法输入,以提升算法实时性和稳定性.[结果/结论]实验结果表明:①项目类目级别越低,CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优;②与其他推荐算法相比,CP-DFC-CFR算法能够有效提升推荐准确性和计算效率,对协同过滤推荐系统建设具有重要参考价值.

关键词：推荐系统、协同过滤、数据稀疏、计算可扩展、类目偏好、数据场聚类

所属期刊栏目：43

分类号：G203(信息与传播理论)

资助基金：国家社会科学基金20ZDA039

在线出版日期：2023-01-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：6-18