基于谱聚类和扩展朴素贝叶斯的混合推荐算法

发布时间：2017-10-27 00:13

  本文关键词：基于谱聚类和扩展朴素贝叶斯的混合推荐算法

  更多相关文章： 推荐算法 谱聚类 朴素贝叶斯 增量式更新

【摘要】：随着电子商务的发展,基于协同过滤的推荐算法越来越受欢迎,与此同时,该算法的缺陷也越来越明显,如数据稀疏性、系统可扩展性等。为此,提出一种混合型推荐算法。该混合算法首先利用谱聚类方法,根据图谱理论将聚类问题转换为图的分割问题,寻找相似数据群;然后利用扩展逻辑回归的朴素贝叶斯算法对聚类结果建立预测模型;最后使用增量式更新的方法,在不全部重新训练模型的基础上,对模型进行局部修改。实验结果表明,该算法较传统的协同过滤算法在一定程度上克服了数据稀疏性和冷启动问题,降低了计算复杂度,并且具有更好的准确性和可扩展性。
【作者单位】： 上海理工大学光电信息与计算机工程学院;上海理工大学计算机软件技术研究所;
【关键词】： 推荐算法 谱聚类 朴素贝叶斯 增量式更新
【基金】：国家自然科学基金资助项目(61170277,61472256) 上海市教委科研创新重点项目(12zz137) 上海市一流学科建设项目(S1201YLXK)
【分类号】：TP391.3
【正文快照】： 0引言协同过滤算法是目前为止最成功的推荐算法之一。较之于基于内容的推荐算法,协同过滤推荐算法可以在完全不清楚物品内部属性的情况下,预测用户对于物品的喜爱程度。典型的协同过滤算法利用一个用户评价矩阵(URM)代表用户对于物品的喜爱程度,其中行代表用户U={u1,u2,u3,u4,，

本文编号：1101074