基于有效特征子集提取的高效推荐算法
推荐系统是根据用户的历史信息对未知信息进行预测.用户项目评分矩阵的稀疏性是目前推荐系统面临的主要瓶颈之一.跨域推荐系统是解决数据稀疏性问题的一种有效方法.本文提出了基于有效特征子集选取的高效推荐算法(FSERA),FSERA是提取辅助域的子集信息,来扩展目标域数据,从而对目标域进行协同过滤推荐.本文采用K-means聚类算法将辅助域的数据进行提取来降低冗余和噪声,获取了辅助域的有效子集,不仅降低了算法复杂度,而且扩展了目标域数据,提高了推荐精度.实验表明,此方法比传统的方法有更高的推荐精度.
跨领域、特征选择、聚类、协同过滤
28
国家自然科学基金61402246,61503220;山东省自然科学基金ZR2019MF014,ZR2017BF023;光电技术与智能控制教育部重点实验室兰州交通大学开放课题基金KFKT2018-2
2019-07-25(万方平台首次上网日期,不代表论文的发表时间)
共7页
162-168