面向用户偏好分析的无向图层次聚类并行优化算法

发布时间：2021-03-28 15:57

　　用户偏好分析是构建用户个性化服务的基础,是用户在对商品或者服务进行考量之后所做出的理性且带有个人倾向的选择。传统的无向图层次聚类算法在聚合时每次都需要重新运算边的权重,而且每次合并的点数量有限。上述问题使得传统算法不能被有效用于用户偏好分析。为能精确地挖掘用户偏好,文中提出一种无向图层次聚类的并行优化算法。首先,算法通过分裂高热节点,削弱衰减因子的消极影响;其次,采用一种并行的方法对无向图实现聚合,优化聚类的速度;最后,将基于用户的搜索行为而得到内容偏好分类判断为依据对内容进行聚合。通过实验对该算法进行了验证,实验结果表明该算法能够显著提高聚类的覆盖率、效率及准确率。 

【文章来源】：计算机与数字工程. 2020,48(05)

【文章页数】：6 页

【部分图文】：

高热关键词节点

搜索无向图

无向节点合并

【参考文献】：
期刊论文
[1]面向用户偏好发现的隐变量模型构建与推理[J]. 高艳,岳昆,武浩,付晓东,刘惟一.  计算机应用. 2017(02)
[2]HCLOPE:一种处理分类数据的优化层次聚类算法[J]. 李晔锋,乐嘉锦,王梅.  计算机应用与软件. 2016(07)
[3]面向大数据处理的并行优化抽样聚类K-means算法[J]. 周润物,李智勇,陈少淼,陈京,李仁发.  计算机应用. 2016(02)
[4]基于聚类的加速k-近邻分类方法[J]. 任丽芳.  计算机应用与软件. 2015(10)
[5]基于用户评论挖掘的产品推荐算法[J]. 扈中凯,郑小林,吴亚峰,陈德人.  浙江大学学报(工学版). 2013(08)
[6]考虑长期与短期兴趣因素的用户偏好建模[J]. 王洪伟,邹莉.  同济大学学报(自然科学版). 2013(06)
[7]图形聚类算法的代谢网络模块化分析[J]. 侯静,宋安平,王卓,张武,李园园,李亦学.  应用科学学报. 2006(06)

硕士论文
[1]数据挖掘中聚类算法的并行优化研究[D]. 范毅刚.西安电子科技大学 2015
[2]网络用户偏好建模及推荐系统设计[D]. 胡宝文.北京交通大学 2015
[3]基于MapReduce的聚类算法并行化研究[D]. 王恺.南京师范大学 2014
[4]基于大众标注的网络群体事件主题分类研究[D]. 翟鹏博.江苏科技大学 2014



本文编号：3105838