改进Mini Batch K-Means时间权重推荐算法

摘要：

传统的协同过滤算法存在数据稀疏、可扩展性弱和用户兴趣度偏移等问题,算法运行效率和预测精度偏低.针对上述问题,提出一种改进的Mini Batch K-Means时间权重推荐算法.采用Pearson相关系数改进MiniBatch K-Means聚类,利用改进的聚类算法对稀疏评分矩阵进行聚类,计算用户兴趣评分并完成对稀疏矩阵的填充.考虑用户兴趣随时间变化的影响,引入牛顿冷却时间权重计算相似度,并基于已填充评分矩阵进行相似度加权计算,得到项目最终评分.实验结果表明,与传统协同过滤算法相比,该算法的平均绝对误差下降了31.08％,准确率、召回率、F1值均有较大提升,具有较高的评分预测精确度和准确度.

关键词：协同过滤、预测填充、Pearson相关系数、Mini Batch K-Means聚类、牛顿冷却定律

所属期刊栏目：46

分类号：TP18(自动化基础理论)

资助基金：四川省科技厅科技支撑计划;四川省教育厅2018自然科学重点科研项目

在线出版日期：2020-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：73-78,86