一种改进的K-means算法最佳聚类数确定方法

对BWP方法进行研究,从嵌入式NSTL个性化推荐的文本聚类需求入手,分析BWP方法的不足,提出一种改进的K-means算法最佳聚类数确定方法。对单一样本类的类内距离计算方法进行优化,扩展BWP方法适用的聚类数范围,使原有局部最优的聚类数优化为全局最优。实验结果可以验证该方法具有良好性能。

融合社会网络和项目特征的移动应用推荐

随着移动应用的数量增长,如何在海量应用中为用户推荐其感兴趣的应用受到了广泛关注.传统的协同过滤算法通过提取用户共同评分项目信息来计算用户相似度.然而,协同过滤算法普遍存在数据稀疏性问题,这在一定程度上导致了Pearson公式的计算结果不能准确的反映用户的相似程度.为了改善由于数据稀疏性问题导致的推荐结果不准确,我们使用K-means方法对项目进行基于语义相似的聚类,以实现基于相似项目的用户相似度计算,在此基础上,提出一种融合社会网络和项目特征的移动应用推荐.实验表明:融合了社会网络和项目特征的移动应用推荐能够缓解数据稀疏性问题对协同过滤算法的不利影响,在一定程度上提高了推荐结果的准确度.