一种基于矩阵分解技术和考虑社交网络的推荐策略

随着社会潮流趋势的演进,如何更好地满足个性化需求已成为个性化推荐服务研究领域的新趋势,推荐系统对帮助用户在海量的线上异构数据中快速发现其感兴趣的内容具有广泛的应用。为了在复杂场景中有效缓解推荐系统研究领域普遍存在的数据稀疏和冷启动等问题,同时在复杂环境下提高其推荐项目的准确性和多样性,提出一种在矩阵分解技术的基础上同时考虑社交网络推荐的新方法。首先,通过将粒子群优化技术(PSO)与K-harmonic means(KHM)聚类算法融合,设计了一种混合聚类算法并对用户进行聚类,然后在相似度计算模型中引入多因素,利用矩阵分解技术计算用户的行为偏好,最终获取用户的最佳项目推荐列表方案。研究对Book-Crossing书评基准数据集进行仿真分析,结果表明提出的新方法具有较好的推荐准确性和多样性。