基于K-means和改进布谷鸟搜索算法的电影推荐

针对电影推荐系统根据用户的喜好和大数据中的电影属性进行筛选时,因原始数据信息呈现海量化和稀疏化的特性,造成推荐准确率和用户满意度较低的问题,本文将K-means聚类和改进的布谷鸟搜索算法结合应用在数据集上对电影推荐系统做出改进。先对数据过滤后的数据集使用K-means算法进行聚类,再使用以锦标赛选择代替随机选择的布谷鸟搜索算法将一些项移动到更好的聚类中优化聚类结果,最后在构建的电影推荐系统上预测评分实现Top-N推荐。本文在Movielens数据集上进行实验,以平均绝对误差、均方根误差、准确率、召回率和F-Score为评价指标,与现有的算法相比,验证了所提方法的有效性。

基于知识图谱的多目标可解释性推荐

现有的推荐系统研究大多集中在如何提高推荐的精度上,而忽略了推荐的可解释性。为了最大程度地提高用户对推荐项的满意度,提出一种基于知识图谱的多目标可解释性推荐模型,同时优化推荐的准确性、新颖性、多样性和可解释性。首先通过知识图谱得到用户可解释的候选列表,并利用统一的方法以目标用户的交互项和推荐项之间的路径作为解释依据对推荐的可解释性进行量化,最后通过多目标优化算法对可解释的候选列表进行优化,得到最终的推荐列表。在Movielens和Epinions数据集上的实验结果表明,本文所提出的模型可以在不降低准确性、新颖性和多样性的情况下提高推荐的可解释能力。