基于矩阵分解和Meanshift聚类的协同过滤推荐算法

• 作者: 杨书新 林仁耀 裴嘉琪 邓浩伟
• 来源期刊: 计算机科学与应用
• 学科: 工学
• 关键词: 可扩展性 矩阵分解 Meanshift聚类 协同过滤 用户冷启动问题 数据稀疏问题
• 年，卷（期）: jsjkxyyy_2020,（4）
• 页码范围: 649-658
• 页数: 10页
• 分类号: TP3

摘要

可扩展性、数据的稀疏性及用户的冷启动问题是传统的协同过滤推荐算法所面临的主要问题。由此提出一种基于矩阵分解和Meanshift聚类的协同过滤推荐算法:首先将原始矩阵使用奇异值分解(SVD)方法进行矩阵分解,较好地对原始数据进行降维,然后使用Meanshift (均值漂移)聚类对所有的物品进行聚类,最后在聚类后的类别中结合改进的基于物品的协同过滤算法,进而减少邻居商品的搜索范围。此方法不仅提高了推荐速度,还良好地解决了用户冷启动问题及数据稀疏问题,在MovieLens 1M数据集上相比于传统的基于物品的协同过滤算法MAE值最多下降了4.52%。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨书新	江西理工大学信息工程学院	37	168	7.0	10.0
2	林仁耀	江西理工大学信息工程学院	2	1	1.0	1.0
3	邓浩伟	江西理工大学信息工程学院	3	1	1.0	1.0
4	裴嘉琪	江西理工大学信息工程学院	1	0	0.0	0.0