基于聚类和用户偏好的协同过滤推荐算法

协同过滤推荐算法使用评分数据作为学习的数据源,针对协同过滤推荐算法中存在的评分数据稀疏以及算法的可拓展性问题,提出了一种基于聚类和用户偏好的协同过滤推荐算法。为了挖掘用户的偏好,该算法引入了用户对项目类型的平均评分到评分矩阵中,并加入了基于用户自身属性的相似度;同时,为了降低数据稀疏性,该算法使用Weighted Slope One算法填充评分数据中的未评分项,并通过融入密度和距离优化初始聚类中心的K-means算法聚类填充后的评分数据中的用户,缩小了相似用户的搜索空间;最后在聚类后的数据集中使用传统的协同过滤推荐算法生成目标用户的推荐结果。通过使用MovieLens100K数据集实验证明,提出的算法对推荐效果有所改善。

基于改进K-means和优化评分的协同过滤推荐算法

针对传统协同过滤推荐算法评分数据稀疏、没有考虑推荐的时效性而导致推荐准确性不佳的问题,提出了一种基于改进K-means和优化评分的用户协同过滤推荐算法,在评分矩阵中加入用户对项目类别的评分,并使用Weigh Slope One算法得到的预测评分替代评分矩阵中的未评分项,以此降低数据稀疏性;并改进K-means聚类算法,对填充后的用户数据进行聚类,引入时间权重,将时间因子纳入评分预测中.在MovieLens-100K数据集上进行仿真实验,实验结果表明:所提算法较好解决了评分数据稀疏,推荐时效性差的问题,且推荐效果具有明显提升.