多层聚簇中基于协同过滤的跨类推荐算法

发布时间：2018-03-01 00:29

本文关键词： 多层聚簇跨类挖掘推荐系统协同过滤　出处：《小型微型计算机系统》2017年04期 　论文类型：期刊论文

【摘要】：大多数电子商务系统采用协同过滤的方法向用户推荐不同类别的商品.分析发现,相似用户对相关类别商品的喜好程度类似(称之跨类关联).因此,推荐时应同时考虑用户之间和商品之间的关联度.实际应用中,商品类别通常组织成多级目录,能够体现不同商品之间的层次关系.由于低层类别商品少,而高层类别商品多,因此不同层类别的数据稀疏度不同.为缓解现有推荐算法数据稀疏问题,本文提出一个高效多层挖掘算法,挖掘不同类别层次上用户-商品/类别的关联度.为提高推荐性能,还提出一个基于层次聚簇的跨类推荐通用框架,此模型扩展现有协同过滤算法.在真实数据集上的实验表明,本文提出的算法具有较高的准确率和效率.
[Abstract]:Most e-commerce systems use collaborative filtering to recommend different categories of goods to users. Analysis shows that similar users have similar preferences for related categories of goods (known as cross-class associations). In practical applications, commodity categories are usually organized into multilevel catalogs, which can reflect the hierarchical relationship between different commodities. Therefore, the data sparsity of different classes is different. In order to alleviate the problem of data sparsity in existing recommendation algorithms, this paper proposes an efficient multi-layer mining algorithm to mine the user-commodity / class correlation at different class levels. A general cross-class recommendation framework based on hierarchical clustering is proposed. The model extends the existing collaborative filtering algorithms. Experiments on real data sets show that the proposed algorithm has high accuracy and efficiency.
【作者单位】：武汉大学计算机学院;武汉大学信息管理学院;
【基金】：国家自然科学基金青年项目(61303025)资助
【分类号】：TP391.3

【相似文献】