kaiyun官方注册
您所在的位置: 首页> 其他> 设计应用> 基于混合聚类与融合用户兴趣的协同过滤推荐算法
基于混合聚类与融合用户兴趣的协同过滤推荐算法
2022年电子技术应用第4期
麻 天1,2,余本国3,张 静1,2,宋文爱1,2,景 昱1
1.中北大学 软件学院,山西 太原030051;2.山西省军民融合软件工程技术研究中心,山西 太原030051; 3.海南医学院 生物医学信息与工程学院,海南 海口571199
摘要:推荐效率低、推荐质量有待提高等问题普遍存在于传统协同过滤推荐算法中,为了改善并解决这些问题,在协同过滤推荐算法中将混合聚类与用户兴趣偏好融合,经过验证推荐质量有显著提升。首先根据用户的个人相关信息构建Canopy+bi-Kmeans的一种多重混合聚类模型,采用提出的混合聚类模型把所有用户划分成多个聚类簇,将每个用户的兴趣偏好融合到生成的聚类簇中,形成新的相似度计算模型;其次利用基于TF-IDF算法的权重归类方法计算用户对标签的权重,并使融入时间系数的指数衰减函数捕捉用户兴趣偏好随时间的变化;最后使用加权融合将用户偏好和混合聚类模型相结合,匹配到更相似的邻居用户,计算出项目评分并进行推荐。利用公开数据集对比实验证明,提出的方法能够提高推荐质量和推荐可靠性。
中图分类号:TP399
文献标识码:A
DOI:10.16157/j.issn.0258-7998.212086
中文引用格式:麻天,余本国,张静,等. 基于混合聚类与融合用户兴趣的协同过滤推荐算法[J].电子技术应用,2022,48(4):29-33.
英文引用格式:Ma Tian,Yu Benguo,Zhang Jing,et al. Collaborative filtering recommendation algorithm based on hybrid clustering and user preferences fusion[J]. Application of Electronic Technique,2022,48(4):29-33.
Collaborative filtering recommendation algorithm based on hybrid clustering and user preferences fusion
Ma Tian1,2,Yu Benguo3,Zhang Jing1,2,Song Wenai1,2,Jing Yu1
1.Software School,North University of China,Taiyuan 030051,China; 2.Shanxi Military and Civilian Integration Software Engineering Technology Research Center,Taiyuan 030051,China; 3.School of Biomedical Information and Engineering,Hainan Medical University,Haikou 571199,China
Abstract:Problems such as low recommendation efficiency and recommendation quality to be improved generally exist in the traditional collaborative filtering recommendation algorithm. In order to improve and solve these problems, the collaborative filtering recommendation algorithm integrates mixed clustering with user interests and preferences, and the recommendation quality has been significantly improved after verification. Firstly, a multiple mixed clustering model of Canopy+ Bi-Kmeans was constructed according to the personal information of users. The proposed mixed clustering model was used to divide all users into multiple clusters, and the interest preferences of each user were fused into the generated clusters to form a new similarity calculation model. Secondly, the weight classification method based on TF-IDF algorithm is used to calculate the weight of users on labels, and the exponential decay function incorporating time coefficient is used to capture the change of users′ interest preference with time. Finally, weighted fusion is used to combine user preferences with mixed clustering model to match more similar neighbor users, calculate project scores and make recommendations. The experimental results show that the proposed method can improve the recommendation quality and reliability.
Key words :recommendation algorithm;weight label;time attenuation coefficient;exponential decay function;hybrid clustering

0 引言

在信息快速发展的现代社会中,推荐算法已经普遍出现在人们的生活中,给人类生活无形中带来巨大便利[1],如短视频推荐[2]、音乐歌曲推荐[3]、新闻信息推荐[4]。协同过滤推荐算法在工程上更容易实现。该算法分为两类:基于用户的协同过滤推荐算法(user-based collaborative filtering)和基于项目的协同过滤推荐算法(item-based collaborative filtering)[5]。简言之:物以类聚,人以群分。虽然协同过滤推荐算法与其他推荐算法相比有很多优点,但解决推荐效率低、推荐质量低、冷启动和稀疏矩阵等问题一直是研究者不断努力改进的方向[6]。其中在计算不同用户之间的相似性时也存在很多问题,相似度计算不精准是影响推荐准确性的一个关键因素[1]

很多研究学者提出很多方法改进以上存在的问题。赵伟等在传统K-means聚类算法的基础上做了改进,有效地解决了有关用户聚类的一些问题[7]。王蓉等提出了一种混合聚类与融合属性特征的协同过滤推荐算法,在一定程度上能提高推荐效率,解决冷启动问题,为聚类算法在推荐系统中的研究开辟了新思路[6]

本文依据上述学者的思路,改进了算法,通过建立Canopy+bi-Kmeans混合聚类模型[8]和一种改进的相似度计算方法,提出一种基于混合聚类与融合用户偏好的协同过滤推荐算法,从而可以达到提高推荐可靠性、提高推荐精度的效果。利用 MovieLens数据集进行试验得出结果表明,该算法不仅能有效解决存在的冷启动问题,而且可提高推荐算法效率。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000004048




作者信息:

麻 天1,2,余本国3,张 静1,2,宋文爱1,2,景 昱1

(1.中北大学 软件学院,山西 太原030051;2.山西省军民融合软件工程技术研究中心,山西 太原030051;

3.海南医学院 生物医学信息与工程学院,海南 海口571199)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map