DOI: 10.12187/2020.04.012
基于改进的SVD算法和
二分K-均值聚类算法的协同过滤算法
过金超
杨继纲
1.郑州轻工业大学电气信息工程学院,河南郑州4500022.郑州轻工业大学电气信息工程学院,河南郑州450002
摘要：针对传统的协同过滤算法存在稀疏性较大和扩展性较差的问题,提出了基于改进的奇异值分解(SVD)算法和二分K-均值聚类算法的协同过滤算法.该算法首先利用改进的SVD算法对稀疏的用户-项目评分矩阵进行降维,获得用户隐含特征矩阵,然后运用二分K-均值聚类算法对相似用户进行聚类来提升算法的可扩展性,最后利用最近邻居集的评分修正目标用户的评分,以减小因矩阵分解导致用户信息丢失造成的误差.利用MovieLens 100 K数据集进行的实验结果表明,与传统的基于用户的协同过滤算法、基于K-均值聚类的协同过滤算法和隐语义模型(LFM)算法相比,本文提出的算法能够有效提高推荐结果的准确性.
关键词：个性化推荐SVD算法二分K-均值聚类算法协同过滤矩阵分解
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(U1704149)
论文发表日期：2020-08-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 88-95 )
英文信息