基于局部优化奇异值分解和K-means聚类的协同过滤算法

• 作者: 宋垚 尹芳 李骜
• 来源期刊: 南京理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 局部优化 奇异值分解 K-均值聚类 协同过滤 近似差分矩阵
• 年，卷（期）: 2019,（6）
• 页码范围: 720-726
• 页数: 7页
• 分类号: TP391
• 字数: 5535字
• 语种: 中文
• DOI: 10.14177/j.cnki.32-1397n.2019.43.06.008

摘要

为了克服传统协同过滤(CF)推荐方法数据稀疏和可扩展性差的不足,该文提出1种基于局部优化降维和聚类的协同过滤算法.采用局部优化的奇异值分解(SVD)降维技术和K-均值(K-means)聚类技术对用户-项目评分矩阵中的相似用户进行聚类并降低维度.利用近似差分矩阵表示评分矩阵的局部结构,实现局部优化.局部优化的SVD降维技术可以利用更少的迭代次数缓解CF中数据稀疏和算法可扩展性差的问题.K-means聚类技术可以缩小邻居集查找范围,提高推荐速度.将该文算法与基于Pearson相关系数的协同过滤算法、基于SVD的协同过滤算法、基于K-means聚类的协同过滤算法相比较.在MovieLens数据集上的实验结果表明,该算法的平均绝对误差(MAE)较其他算法降低了大约12％,准确性(Precision)提高了7％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李骜	哈尔滨理工大学计算机科学与技术学院	12	10	2.0	2.0
2	尹芳	哈尔滨理工大学计算机科学与技术学院	12	55	4.0	7.0
3	宋垚	哈尔滨理工大学计算机科学与技术学院	2	1	1.0	1.0