基于降维和聚类的协同过滤推荐算法

摘要：

协同过滤算法在个性化推荐系统中应用广泛,为保证其在用户规模扩大的同时可以保持推荐的高效性和准确性,设计了一种基于PCA降维和二分K-means聚类的协同过滤推荐算法PK-CF.该算法为解决用户-项目评分矩阵极度稀疏造成的相似度计算误差的问题,采用主成分分析法对用户-项目评分矩阵进行降维,去除含信息量少的维度,只保留最能代表用户特征的维度;为解决协同过滤算法在系统规模庞大情况下的相似度计算时耗问题,通过在降维后的低维向量空间上进行二分K-means聚类来减小目标用户最近邻的搜索范围.在MovieLens数据集上对传统协同过滤算法、基于K-means聚类的协同过滤算法及PK-CF算法进行性能测试的结果表明:PK-CF算法不仅能有效地提高推荐结果的准确率与召回率,而且具有较高的时间效率.

关键词：主成分分析、二分K-means聚类、协同过滤、个性化推荐

所属期刊栏目：30

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金61571238

在线出版日期：2020-03-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：138-142