基于多属性模糊C均值聚类的属性约简算法

模糊C均值聚类算法在处理高维数据集时,存在计算复杂度高,算法泛化能力差,计算精度低等问题。考虑到特征属性对聚类的贡献程度的差异,在多属性模糊C均值聚类的思想上,提出一种基于属性重要性的约简算法。为验证有效性,在UCI数据集上,将新算法与因子分析法和粗糙集理论约简方法进行比较分析。实验结果表明,该方法具有更好的泛用性,在平均标准差大或类间中心距离较远的数据集上具有更好的性能。

多属性加权的模糊c均值聚类算法

在多属性模糊c均值聚类的基础上,提出了一种基于属性重要性加权的聚类算法.为验证新算法的有效性,在6个UCI数据集上,将新算法与结合主成分分析法和基于粗糙集指数加权的聚类方法进行了比较分析.实验结果表明,基于属性重要性的聚类算法具有更好的泛用性和稳定性,且随着平均类间簇心距离的增大而提升聚类有效性.

基于谱聚类与多因子融合的协同过滤推荐算法

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。