改进的蜂群优化聚类集成联合相似度推荐算法

发布时间：2021-03-15 02:01

　　协同过滤算法由于推荐效果良好,而被广泛应用于推荐领域,但其在数据稀疏及冷启动的情况下会导致推荐效果明显下降。在数据稀疏情况下,为充分利用用户的历史信息以提高算法的推荐精度,提出一种改进的聚类联合相似度推荐算法。采用改进的蜂群算法来优化K-means++聚类的中心点,使聚类中心在整个数据内达到最优,并对聚类结果进行集成,使得聚类得到进一步优化。根据聚类结果,在同一类中采用改进的用户相似度算法来优化传统相似度算法,使用户间的相似度达到最优,并根据领域的评分预测方法将最佳结果推荐给用户。实验结果表明,该算法的精度、召回率及平均绝对误差均优于其他现有算法,且在数据稀疏情况下其性能仍最佳。 

【文章来源】：计算机工程. 2020,46(10)北大核心

【文章页数】：8 页

【部分图文】：

改进的蜂群优化聚类集成

本文算法流程

杰卡德和皮尔逊联合相似度的MAE

【参考文献】：
期刊论文
[1]基于大数据的个性化推荐系统研究[J]. 石岩松.  通讯世界. 2019(04)
[2]基于簇过滤的优势集模糊聚类集成[J]. 周冰,李飞,侯位昭,苏攀.  计算机与网络. 2019(07)
[3]基于聚类的协同过滤算法的研究[J]. 杨文娟,金子馨.  电脑知识与技术. 2018(16)
[4]基于改进人工蜂群的图像增强算法[J]. 郭文艳,周吉瑞,张姣姣.  计算机工程. 2017(11)
[5]基于K-means聚类算法的入侵检测系统研究[J]. 陈丽珊.  昆明学院学报. 2017(03)
[6]基于PCA降维的协同过滤推荐算法[J]. 李远博,曹菡.  计算机技术与发展. 2016(02)
[7]基于Bagging的聚类集成方法[J]. 李杉,张化祥.  计算机工程与设计. 2010(01)
[8]协同过滤推荐算法综述[J]. 马宏伟,张光卫,李鹏.  小型微型计算机系统. 2009(07)

硕士论文
[1]基于两阶段联合哈希技术的协同过滤推荐算法研究[D]. 侯耀祖.安徽工业大学 2018



本文编号：3083361