基于混合聚类与融合用户兴趣的协同过滤推荐算法

摘要：

推荐效率低、推荐质量有待提高等问题普遍存在于传统协同过滤推荐算法中,为了改善并解决这些问题,在协同过滤推荐算法中将混合聚类与用户兴趣偏好融合,经过验证推荐质量有显著提升.首先根据用户的个人相关信息构建Canopy+bi-Kmeans的一种多重混合聚类模型,采用提出的混合聚类模型把所有用户划分成多个聚类簇,将每个用户的兴趣偏好融合到生成的聚类簇中,形成新的相似度计算模型;其次利用基于TF-IDF算法的权重归类方法计算用户对标签的权重,并使融入时间系数的指数衰减函数捕捉用户兴趣偏好随时间的变化;最后使用加权融合将用户偏好和混合聚类模型相结合,匹配到更相似的邻居用户,计算出项目评分并进行推荐.利用公开数据集对比实验证明,提出的方法能够提高推荐质量和推荐可靠性.

关键词：推荐算法、权重标签、时间衰减系数、指数衰减函数、混合聚类

所属期刊栏目：48

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金61602427

在线出版日期：2022-05-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：29-33