基于用户细粒度属性偏好聚类的推荐策略

摘要：

[目的]针对推荐系统研究中主要依赖用户对项目的评分信息所带来的稀疏性问题,提出一种基于细粒度属性偏好聚类的新型推荐模型.[方法]首先对项目-属性关系和用户-属性偏好进行建模,然后采用聚类方法分别从用户和项目两个角度构建相似簇,最后基于用户簇或项目簇采用协同过滤算法生成推荐列表.[结果]基于豆瓣数据集的实验结果表明,所提模型在准确率和召回率上均表现最优,均值较次优方法分别提升了19.7％和44.6％,验证了用户属性建模和聚类策略的有效性.[局限]在多维细粒度属性信息的表征和建模上需要进一步探究.[结论]基于用户细粒度属性偏好建模能更深层次地表征用户兴趣,从而实现推荐效果的提升.

关键词：推荐算法;协同过滤;项目属性偏好;聚类

所属期刊栏目：5

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;广东省基础与应用基础研究基金项目;深圳市哲学社会科学规划课题项目

在线出版日期：2022-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：94-102