一种改进相似度的K均值聚类协同过滤推荐算法_李凤盼.pdfVIP

一种改进相似度的K均值聚类协同过滤推荐算法

李凤盼，郑永爱，王莹莹

（苏州高博软件技术职业学院，江苏苏州215163）

摘要：协同过滤算法被越来越多地应用于课程推荐领域，但传统协同过滤算法也存在一定的缺陷，

如冷启动问题。针对这一问题，提出一种改进相似度的K均值聚类协同过滤推荐算法，该算法引入学

习者标签以改进用户相似度计算，用于缓解新用户冷启动问题；利用K均值算法进行优化，将用户聚

类，进而从同一类别中进行推荐，聚类效果更为精确；采用平均绝对偏差（MAE）作为评价指标进行

算法效果验证，采用平均召回率（recall）、平均精准率（precision）2个指标进行新用户冷启动缓解效

果验证。结果表明，该改进算法能有效缓解新用户冷启动问题，显著提高推荐效率。

关键词：学习者标签；K均值算法；协同过滤；平均绝对偏差

DOI:10.16184/prg.2024.03.031

mnru

1相关工作其中，为学习者数量；为课程数量；为学习者

ui

iR

信息过载（InformationOverload）问题使学习者如对课程的评分值。基于评分矩阵将学习者对课程的评

nuv

何在众多的课程资源中找到适合的内容成为一大挑战，分看作一个维空间向量，学习者、的评分就是两个向

有关在线课程推荐系统的研究也成为了一大热点领域。量u、，其相似度可以用向量夹角的余弦表示，值越大，v

表明学习者和越相似，相似度如公式（2）所示：

推荐系统的核心便是推荐算法，最经典的推荐算法是基uv

于协同过滤（CF）的推荐，其核心是“物以类聚、人S·S

sim=cosS,S=uv

i(u,v)(uv)

以群分”的思想，相应的CF算法也分为两类：基于物S·S

uv

品的协同过滤（ItemCF）、基于用户的协同过滤