協(xié)同過濾算法中存在著數(shù)據(jù)稀疏性和可擴(kuò)展性問題,由于用戶和項(xiàng)目數(shù)據(jù)量巨大致使數(shù)據(jù)十分稀疏,且不同數(shù)據(jù)集中數(shù)據(jù)存在差異,致使現(xiàn)有算法中的相似度計(jì)算不夠準(zhǔn)確和用戶聚類效果不佳,對(duì)推薦算法準(zhǔn)確率產(chǎn)生了顯著影響。為了提高相似度計(jì)算和最近鄰居搜索的準(zhǔn)確率,提出了一種基于相似度優(yōu)化和流形學(xué)習(xí)的協(xié)同過濾算法。通過加權(quán)因子優(yōu)化相似度計(jì)算,結(jié)合流形學(xué)習(xí)對(duì)稀疏的用戶評(píng)分?jǐn)?shù)降維后進(jìn)行譜聚類,通過獲得的全局最優(yōu)解提高聚類所得目標(biāo)用戶最近鄰居的準(zhǔn)確率,進(jìn)而提高協(xié)同過濾推薦精度。在Epinions數(shù)據(jù)集和MovieLens數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),結(jié)果表明,提出的算法可以有效降低協(xié)同過濾算法的平均絕對(duì)誤差和均方根誤差,提高召回率,擁有更高的推薦準(zhǔn)確率。 

【文章來源】：計(jì)算機(jī)工程與科學(xué). 2020,42(02)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

MLCF+算法流程圖

實(shí)驗(yàn)1 在Epinions數(shù)據(jù)集上, Κ∈[ 0,200 ] 時(shí)傳統(tǒng)CF算法、MLCF算法和MLCF+算法的平均絕對(duì)誤差MAE和均方根誤差RMSE對(duì)比如圖2和圖3所示。從圖2和圖3可以看出,在Epinions數(shù)據(jù)集上,隨著K值的增大,3種算法的MAE值和RMSE值均呈先快速下降后逐漸平穩(wěn)的趨勢(shì)。其中,MLCF算法相對(duì)傳統(tǒng)CF算法,MAE和RMSE均有降低,準(zhǔn)確率得到了提高。與此同時(shí),優(yōu)化相似度的MLCF+算法比不優(yōu)化相似度的MLCF算法的MAE和RMSE更低,準(zhǔn)確率最高。圖3 在Epinions數(shù)據(jù)集上不同算法的RMSE對(duì)比

圖2 在Epinions數(shù)據(jù)集上不同算法的MAE對(duì)比實(shí)驗(yàn)2 在MovieLens數(shù)據(jù)集上, Κ∈[ 0,200 ] 時(shí)傳統(tǒng)CF算法、MLCF算法和MLCF+算法的平均絕對(duì)誤差MAE和均方根誤差RMSE對(duì)比如圖4和圖5所示。

【參考文獻(xiàn)】：
期刊論文
[1]兩階段聯(lián)合聚類協(xié)同過濾算法[J]. 吳湖,王永吉,王哲,王秀利,杜栓柱.  軟件學(xué)報(bào). 2010(05)
[2]協(xié)同過濾推薦算法綜述[J]. 馬宏偉,張光衛(wèi),李鵬.  小型微型計(jì)算機(jī)系統(tǒng). 2009(07)
[3]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)

博士論文
[1]基于流形學(xué)習(xí)的分類與聚類方法及其應(yīng)用研究[D]. 王勇.國(guó)防科學(xué)技術(shù)大學(xué) 2011



本文編號(hào)：3090740