基于项目评分预测的混合式协同过滤推荐

摘要：

[目的]改进传统协同过滤推荐算法以缓解其存在的数据稀疏性问题,进而提高评分预测的精度.[方法]提出整合K-means聚类和Slope One算法的混合式协同过滤推荐框架和KSUBCF算法.利用基于K-means聚类的Slope One算法预测填充矩阵中必要的未评分项,利用基于用户的协同过滤推荐算法实现推荐.[结果]实验结果表明,随着邻居数目的增加,该算法比原Slope One算法在MAE(平均绝对误差)值上有8.8％-21％的下降,RMSE(均方根误差)值有17％-28.1％的下降.[局限]该算法仍然依赖用户-项目评分数据矩阵.[结论]该算法与其他传统协同过滤算法相比,MAE值分别有10％和43.8％的下降,RMSE值也有20.1％和37.4％的下降,说明本文方法可以提高预测精度.

关键词：混合式协同过滤、项目评分、Slope One预测、MAE

分类号：G202(信息与传播理论)

资助基金：本文系中国博士后科学基金资助项目“大数据环境下散杂货多式联运领域知识发现方法研究”项目编号:2014M551063、省社科联2014年度辽宁经济社会发展立项课题“辽宁冷链物流产业建设与发展研究”项目编号:20141slktzdian-11和辽宁省教育厅科学技术研究项目“大数据环境下散杂货多式联运综合领域知识的表达与共享”项目编号:L2014203的研究成果之一.

在线出版日期：2015-06-29（万方平台首次上网日期，不代表论文的发表时间）

页码：27-32