基于用户兴趣模糊聚类的协同过滤算法-北京玛格泰克科技发展有限公司.pdfVIP

研究论文 基于用户兴趣模糊聚类的协同过滤算法* 刘占兵 1 肖诗斌 1,2 1(北京信息科技大学计算机学院 北京 100101) 2(北京拓尔思信息技术股份有限公司 北京 100101) 摘要: 【目的 】解决传统协同过滤推荐算法存在的数据稀疏性、用户不同时间的兴趣被等同考虑的问题。【方 法 】提出一种基于用户兴趣模糊聚类的协同过滤算法。将用户兴趣模型分为稳定兴趣和当前兴趣, 利用用户稳 定兴趣对用户进行模糊聚类, 确定用户最近邻, 形成初始推荐集; 计算推荐列表中各个项目和用户当前兴趣的 相似度, 然后按照相似度大小排序, 生成最终推荐列表。【结果 】在数据集MovieLens 上验证本方法的推荐准确 率, 其平均绝对误差(MAE)较传统方法降低近 10%。【局限 】该算法中, 在对用户稳定兴趣建模时考虑所有的项 目类别, 没有对项目类别进行处理(如合并和删除等)。【结论 】与传统的推荐算法相比, 该方法的推荐准确度有 明显提高。 关键词: 模糊聚类 用户兴趣 相似度 协同过滤 分类号: TP393 G35 1 引 言 法不能快速发现用户的兴趣变化。聚类算法能够减小 用户相似邻居的搜索范围, 而用户兴趣建模则可以描 随着用户数据和商品数据的激增, 对数据进行有 述用户的兴趣以及变化, 因此结合聚类和用户兴趣建 效的分析和挖掘, 为用户提供个性化的推荐服务成为 模的方法对提高推荐质量有较大帮助。 许多商家关注的焦点。而在个性化推荐的过程中, 作 为主流技术的协同过滤推荐算法起着最为关键的作 2 研究背景 用。例如淘宝、京东、亚马逊、爱奇艺、豆瓣等网站 利用协同过滤技术为用户进行商品个性化推荐, 提升 针对传统协同过滤算法存在的评分矩阵稀疏、可 服务质量。虽然协同过滤在众多领域得到成功的应用, 扩展性弱、推荐精确度较低等缺点, 许多研究人员结 但是其存在的一些不足仍需要不断深入研究, 以达到 合聚类方法和兴趣建模改进协同过滤的方法。 更好的应用效果。 引入聚类算法可改善协同过滤算法的可扩展性, 提高最近邻的搜索效率[1-3] [1] 协同过滤算法通过对用户–项目评分矩阵中评分 。李涛等 提出一种基于用 数据的统计来判断用户或项目的相似性, 而相似性计 户聚类的协同过滤推荐算法: 在线时对基本用户数据 算是产生推荐集合的基础。随着用户数和项目数的不 进行预处理, 并对基本用户聚类, 离线时利用已有的 断增加, 用户–项目评分矩阵逐渐成为高维矩阵, 使得 用户聚类寻找目标用户最近邻居, 并产生推荐。王荣 相似性计算的复杂度急剧增加, 进而导致系统性能下 等[2]基于项目属性特征对项目进行聚类, 再利用用户 降。在用户–项目评分矩阵中, 用户真正给予评分的商 对项目簇的偏好对用户进行聚类以提高推荐效率。在 品项很少, 通常在 1%以下, 使得评分矩阵的数据逐渐 这些算法中, 用户只会分到一个聚类中, 不符合现实 稀疏, 从而导致推荐质量下降。此外, 协同过滤推荐算 中用户往往属于多个用户群体的情况, 严重影响推荐 通讯作者: 刘占兵, ORCID: 0000-0003-0085-0761, E-mail: zhanbingliu@126.com 。 *本文系国家自然科学基金项目“ 网页内容真实性评价研究”(项目编号和北京市发改委“异构大数据分析挖掘整合技术北京市 工程实验室创新能力建设项目”的研究成果之一。 12 现代图书情报技术