10.3969/j.issn.2095-2163.2020.01.010
基于K-means的矩阵分解推荐算法
传统矩阵分解算法和基于用户画像的算法存在数据稀疏性和冷启动等问题,且多数情况下只注重于用户项目交互数据,而对用户本身的属性信息缺少借鉴,从而导致推荐准确性不高.将K-means与矩阵分解相结合,提出了一种基于K-means的矩阵分解推荐算法(Matrix Decomposition Based on K-means,KMMD).该算法融合用户属性和用户项目交互评级数据作为输入,先将用户进行K-means聚类,得到近邻用户集,再将近邻用户-项目评级矩阵进行分解和重构,得到预测评级并排序推荐.将算法在MovieLens公开数据集上进行仿真实验,结果表明KMMD推荐算法在召回率和精确度上有了进一步的提高,并且对用户冷启动问题做出了很大的改善.
智能推荐、K-means、矩阵分解
10
TP301.6(计算技术、计算机技术)
河北省重点研发计划19210105D
2020-06-12(万方平台首次上网日期,不代表论文的发表时间)
共6页
56-60,66