基于图和改进K近邻模型的高效协同过滤推荐算法

摘要：

在互联网高速发展的今天,推荐系统已成为解决信息过载的有效手段,能够缓解用户在筛选感兴趣信息时的困扰,帮助用户发现有价值的信息.推荐系统中的协同过滤推荐算法,因其领域无关性及支持用户发现潜在兴趣的优点被广泛应用.由于数据的规模过大且稀疏的特点,当前协同过滤在算法实时性、推荐精确度等方面仍有较大提升空间.提出了GK-CF方法,通过建立基于图的评分数据模型,将传统的协同过滤算法与图计算及改进的KNN算法结合.通过图的消息传播及改进的相似度计算模型对用户先进行筛选再做相似度计算;以用户-项目二部图的节点结构为基础,通过图的最短路径算法进行待评分项目的快速定位.在此基础上,进一步通过并行图框架对算法进行了并行化实现及优化.在物理集群环境下进行了实验,结果表明,与已有的协同过滤算法相比,提出的GK-CF算法能够很好地提高推荐的准确度和评分预测的准确性,并具有较好的算法可扩展性和实时性能.

关键词：协同过滤、社会网络、图模型、K近邻、最短路径

所属期刊栏目：54

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划项目2016YFB1200100;国家自然科学基金项目61202429,61572256;中央高校基本科研业务费专项资金项目2015JBM042;江苏省自然科学基金项目BK20141454This work was supported by the National Key Research and Development Program of China2016YFB1200100;the National Natural Science Foundation of China61202429, 61572256;the Fundamental Research Funds for the Central Universities2015JBM042;the Natural Science Foundation of Jiangsu Province of ChinaBK20141454

在线出版日期：2017-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1426-1438