-
题名基于改进Canopy聚类的协同过滤推荐算法
被引量：10
- 1
-
-
作者
唐泽坤
黄柄清
李廉
-
机构
兰州大学信息科学与工程学院
伦斯勒理工学院科学院
-
出处
《计算机应用研究》
CSCD
北大核心
2020年第9期2615-2619,2639,共6页
-
基金
国家重点研发计划资助项目(2018YFB1003205)
国家自然科学基金资助项目(61300230,61370219)
+2 种基金
甘肃省自然科学基金资助项目(1107RJZA188)
甘肃省科技支撑计划资助项目(1104GKCA037)
甘肃省科技重大专项资助项目(1102FKDA010)。
-
文摘
推荐系统通过建立用户和信息产品之间的二元关系,利用用户行为产生的数据挖掘每个用户感兴趣的对象并进行推荐,基于用户的协同过滤是近年来的主流方法,但存在一定局限性:推荐时需要考虑全部用户,而单个用户往往只与少部分用户类似。为了解决这个问题,提出了基于改进Canopy聚类的协同过滤推荐算法,将用户模型数据密度、距离与用户活跃度结合,计算用户数据权值,对用户模型数据进行聚类。由于结合了Canopy的聚类思想,同一用户可以属于不同的类,符合用户可能对多领域感兴趣的情况。最后对每个Canopy中的用户进行相应的推荐,根据聚类结果与用户评分预测用户可能感兴趣的对象。通过在数据集Movie Lens和million songs上与对比算法进行MAE、RMSE、NDGG三个指标的比较,验证了该算法能显著提高推荐系统预测与推荐的准确度。
-
关键词
Canopy聚类
推荐系统
协同过滤
-
Keywords
Canopy clustering
recommender system
collaborative filtering
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
