基于谱聚类与多因子融合的协同过滤推荐算法

发布时间：2018-01-28 09:00

  本文关键词： 协同过滤 谱聚类 Salton因子 时间衰减因子 用户偏好因子　出处：《计算机应用研究》2017年10期 　论文类型：期刊论文

【摘要】：针对传统协同过滤算法面临数据稀疏、忽略用户时间上下文信息及对兴趣物品偏好程度等问题,提出基于谱聚类与多因子融合的协同过滤推荐算法。首先将FCM聚类融入到谱聚类算法的关键步骤,并通过聚类有效性指数对用户聚类个数进行优化,以降低生成最近邻的时耗;然后将Salton因子、时间衰减因子、用户偏好因子进行融合,从而对相似度进行改进;最后获取系统当前时间为目标用户生成推荐列表。Movie Lens上的实验结果表明,该算法在推荐精度、覆盖率及新颖度指标上有较大改善,提升了推荐性能。
[Abstract]:The traditional collaborative filtering algorithm faces the problems of sparse data, ignoring user time context information and the degree of preference to interest items. A collaborative filtering recommendation algorithm based on spectral clustering and multi-factor fusion is proposed. Firstly, FCM clustering is integrated into the key steps of spectral clustering algorithm, and the number of users is optimized by clustering validity index. In order to reduce the time consumption of generating nearest neighbor; Then the Salton factor, the time attenuation factor and the user preference factor are fused to improve the similarity. Finally, the experimental results on the target user generated recommendation list. Movie Lens show that the proposed algorithm can improve the index of recommendation accuracy, coverage and novelty. Improved recommendation performance.
【作者单位】： 上海大学管理学院;
【基金】：国家自然科学基金资助项目(11201290)
【分类号】：TP391.3
【正文快照】： 互联网的快速发展使人们进入到信息过载社会,如何在繁杂的信息中快速且准确地找出自己需要的信息,成为亟需解决的问题。推荐系统作为商业和学术界的研究重点,被认为是解决信息过载问题的有效工具。协同过滤(collaborative filtering)是推荐系统中最常用的算法,其利用用户的历

【相似文献】

相关期刊论文 前10条

1 徐义峰;陈春明;徐云青;;一种基于分类的协同过滤算法[J];计算机系统应用;2007年01期

2 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

3 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

4 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

5 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

6 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

7 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 宋纬华;田元;;基于蚁群算法的协同过滤推荐技术[J];农业图书情报学刊;2013年08期

相关会议论文 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关博士学位论文 前7条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年

6 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年

7 赵向宇;Top-N协同过滤推荐技术研究[D];北京理工大学;2014年

相关硕士学位论文 前10条

1 邹腾飞;基于多特征融合的混合协同过滤算法研究[D];西南大学;2015年

2 于钰雯;基于项目凝聚层次聚类的协同过滤推荐算法研究[D];辽宁大学;2015年

3 杜文刚;基于多属性评分的协同过滤推荐算法研究[D];辽宁大学;2015年

4 高慧敏;融合占有度的时间遗忘协同过滤混合推荐算法研究[D];燕山大学;2015年

5 苏靖涵;面向SaaS多租户的动态推荐方法研究[D];辽宁大学;2015年

6 徐晓妮;基于人工鱼群算法的协同过滤推荐算法研究[D];辽宁大学;2015年

7 罗培;移动购物导购关键技术的研究与系统实现[D];西南交通大学;2015年

8 李婧;融合用户差异度及信息熵的协同过滤推荐算法[D];西安建筑科技大学;2015年

9 乐柱;基于误差反馈的协同过滤算法[D];华南理工大学;2015年

10 马兆才;基于协同过滤的推荐系统算法研究与实现[D];兰州大学;2015年

，

本文编号：1470323