融合隐性社交网络社团划分和协同过滤的推荐算法

摘要：

协同过滤算法是个性化推荐系统中广泛使用的经典算法.针对传统协同过滤算法存在的相似度计算不准确、可扩展性差等问题,设计了一种融合隐性社交网络社团划分和协同过滤的推荐算法ICDCF.该方法将用户对项目的共同兴趣视为社交关系.首先用考虑了用户隐性关系的改进的Jaccard相似系数衡量用户间的社交关系强弱,以用户为顶点、以用户相似度为连边的权值,构建无向加权的隐性社交网络;然后基于隐性社交网络,用谱聚类思想对用户进行社团划分;最后在社团内实施基于用户的协同过滤推荐.该方法可以避免协同过滤推荐阶段因共同评分项目少而导致的相似度计算不准确问题,同时可以减少搜索近邻的计算量,提高时间效率.在数据集MovieLens-100K和FilmTrust上的实验结果体现了 ICDCF算法在推荐准确性和可扩展性方面的优势.

关键词：社团划分、Jaccard相似系数、谱聚类、协同过滤、推荐

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;江苏省重点研发计划资助项目

在线出版日期：2023-10-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：93-100