协同过滤算法是推荐系统中使用最广泛的算法之一,随着个性化推荐技术的发展,传统的协同过滤算法在数据稀疏的情况下推荐的准确率较低,同时没有考虑用户的兴趣会随着时间的推移发生动态变化等因素,传统的协同过滤推荐算法已无法满足个性...协同过滤算法是推荐系统中使用最广泛的算法之一,随着个性化推荐技术的发展,传统的协同过滤算法在数据稀疏的情况下推荐的准确率较低,同时没有考虑用户的兴趣会随着时间的推移发生动态变化等因素,传统的协同过滤推荐算法已无法满足个性化推荐的需求。论文针对以上问题提出一种融合算法,将K-means算法和隐语义模型相结合,提出基于用户聚类和时间隐语义模型的推荐算法K-T-LFM(K-means algorithm clustering users and Time Based Latent Factor Model)。该算法根据用户的属性特征,采用最大-最小准则确定初始质心的K-means算法将用户聚类,解决了新用户登录的冷启动问题,降低了矩阵的稀疏程度和矩阵规模;根据艾宾浩斯遗忘曲线提出时间函数,并融合传统隐语义模型对聚类中的用户评分稀疏矩阵进行填充,有效缓解了数据的稀疏性,同时考虑了时间因素对用户的兴趣偏好的影响,提高了推荐算法的准确性。通过MovieLens数据集进行实验对比,该算法较其他的协同过滤算法准确率有所提升。展开更多
文摘协同过滤算法是推荐系统中使用最广泛的算法之一,随着个性化推荐技术的发展,传统的协同过滤算法在数据稀疏的情况下推荐的准确率较低,同时没有考虑用户的兴趣会随着时间的推移发生动态变化等因素,传统的协同过滤推荐算法已无法满足个性化推荐的需求。论文针对以上问题提出一种融合算法,将K-means算法和隐语义模型相结合,提出基于用户聚类和时间隐语义模型的推荐算法K-T-LFM(K-means algorithm clustering users and Time Based Latent Factor Model)。该算法根据用户的属性特征,采用最大-最小准则确定初始质心的K-means算法将用户聚类,解决了新用户登录的冷启动问题,降低了矩阵的稀疏程度和矩阵规模;根据艾宾浩斯遗忘曲线提出时间函数,并融合传统隐语义模型对聚类中的用户评分稀疏矩阵进行填充,有效缓解了数据的稀疏性,同时考虑了时间因素对用户的兴趣偏好的影响,提高了推荐算法的准确性。通过MovieLens数据集进行实验对比,该算法较其他的协同过滤算法准确率有所提升。
