融合改进相似度的聚类协同过滤推荐算法研究.pdf

融合改进相似度的聚类协同过滤算法研究

在信息技术飞速发展的今天，数据的爆炸性增长往往导致信息过载和丢失，

如何从这些海量的数据中挖掘出有价值的信息已成为一个热点。一方面，使用者

可以通过分类目录和搜索引擎等途径来搜寻自己所需的资讯；另一方面，利用推

荐算法对用户信息进行分析，获取使用者所喜爱的资讯，再将其推荐给使用者。

基于内存的协同过滤由于其易于实现、跨领域的兼容性和可解释性而成为推荐系

统的主要研究方法，但它存在着与冷启动、低准确性、数据稀疏等局限性，其中

低准确性和数据稀疏是最常见的问题。针对以上问题，论文进行了以下几方面的

改进：

（1）针对当前协同过滤算法在准确性较低和数据稀疏方面存在的问题，本

文提出一种采用改进相似度和高密度优先聚类算法融合的协同过滤算法。该算法

首先根据数据点间的距离计算其密度，并且选取密度最大的点作为初始聚类中心，

依次获得K个聚类；其次，在传统的相似度计算中引入用户对项目的评分时间

因素，增强用户近期访问项目的协同推荐权重；最后，该算法增加了用户之间对

共同评分项目上的评分差异，将用户的兴趣偏好体现在用户相似度的计算上，实

验结果表明该算法能够有效改善协同过滤算法在准确性和数据稀疏性方面的问

题，同时提高了算法的推荐性能。

（2）针对协同过滤算法在计算用户相似度时忽略了用户间的信任关系，导

致预测准确性不高的问题，提出了一种深入挖掘用户间信任关系对用户相似性作

用的方法，并对传统用户信任度计算的不足进行了改进。该方法引入用户之间的

响应因子，根据交互成功或失败的结果来计算直接信任度；同时，考虑到数据集

较为稀疏以及用户之间可能存在没有公共评分项目的情况，采用信任传递的方式

来获取两位用户的间接信任度。最后，结合改进的用户信任度与用户评分相似度，

对目标用户近邻集的筛选作用，进一步提升推荐算法的准确性。

本文针对推荐算法的准确性和多样性问题，提出了一种新的算法，并在

MovieLens数据集上进行了实验和对比分析。实验结果表明，本文所提出的算法

能够有效地提升推荐算法的准确性和多样性。这一研究为改善推荐算法的效果，

提高用户满意度提供了新的思路和方法。

：协同过滤；K-means聚类；相似度计算；信任模型

融合改进相似度的聚类协同过滤算法研究

Abstract

Intherapiddevelopmentofinformationtechnologytoday,theexplosivegrowth

ofdataoftenleadstoinformationoverloadandloss,howtominevaluableinformation

fromthesemassivedatahasbecomeahotspot.Ontheonehand,userscansearchfor

theinformationtheyneedthroughcategorizeddirectoriesandsearchengines;onthe

otherhand,recommendationalgorithmsareusedtoanalyzeuserinformation,obtain

informationthatuserslike,andthenrecommendittousers.Memory-based

collaborativefilteringisthemainresearchmethodforrecommendationsystemsdueto

itseasyimplementation,cross-domaincompatibilityandinterpretability,butithas

limitationsrelatedtocoldstart,lowaccuracy,anddatasparsity,amongwhichlow

accuracy