协同过滤推荐算法的性能对比与分析

摘要：

对基于用户属性的协同过滤和基于模型的聚类型协同过滤推荐算法综述研究并进行实验重现,发现计算用户间相似性时加入用户信任值、降低用户邻居个数可增强推荐系统的可扩展性,同时基于用户属性的协同过滤和结合密度聚类的协同过滤推荐更适合高维数据集;引人C均值的协同过滤推荐不受近邻个数的影响,推荐效果稳定;K-means聚类的协同过滤在选取聚类中心时可能会陷入局部最优.经过多组实验的对比分析,各类推荐算法没有绝对优势,不同应用场景选择不一样的推荐算法可以获得最佳的推荐效果.

关键词：协同过滤、用户相似度计算、聚类、推荐评价标准

所属期刊栏目：39

分类号：TP301.6;TP391.9(计算技术、计算机技术)

资助基金：基于云课堂的Python语言混合教学模式研究;教育部卓越工程师教育培养计划项目产学合作协同育人项目

在线出版日期：2022-11-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：435-440