论文摘要
为了克服传统协同过滤(CF)推荐方法数据稀疏和可扩展性差的不足,该文提出1种基于局部优化降维和聚类的协同过滤算法。采用局部优化的奇异值分解(SVD)降维技术和K-均值(K-means)聚类技术对用户-项目评分矩阵中的相似用户进行聚类并降低维度。利用近似差分矩阵表示评分矩阵的局部结构,实现局部优化。局部优化的SVD降维技术可以利用更少的迭代次数缓解CF中数据稀疏和算法可扩展性差的问题。K-means聚类技术可以缩小邻居集查找范围,提高推荐速度。将该文算法与基于Pearson相关系数的协同过滤算法、基于SVD的协同过滤算法、基于K-means聚类的协同过滤算法相比较。在MovieLens数据集上的实验结果表明,该算法的平均绝对误差(MAE)较其他算法降低了大约12%,准确性(Precision)提高了7%。
论文目录
文章来源
类型: 期刊论文
作者: 尹芳,宋垚,李骜
关键词: 局部优化,奇异值分解,均值聚类,协同过滤,近似差分矩阵
来源: 南京理工大学学报 2019年06期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 计算机软件及计算机应用
单位: 哈尔滨理工大学计算机科学与技术学院
基金: 黑龙江省青年创新人才项目(UNPYSCT-2018203),“理工英才",计划项目(LGYC2018JQ013),黑龙江省自然科学基金(YQ2019F011)
分类号: TP391.3
DOI: 10.14177/j.cnki.32-1397n.2019.43.06.008
页码: 720-726
总页数: 7
文件大小: 941K
下载量: 206