協(xié)同過濾算法由于推薦效果良好,而被廣泛應(yīng)用于推薦領(lǐng)域,但其在數(shù)據(jù)稀疏及冷啟動的情況下會導致推薦效果明顯下降。在數(shù)據(jù)稀疏情況下,為充分利用用戶的歷史信息以提高算法的推薦精度,提出一種改進的聚類聯(lián)合相似度推薦算法。采用改進的蜂群算法來優(yōu)化K-means++聚類的中心點,使聚類中心在整個數(shù)據(jù)內(nèi)達到最優(yōu),并對聚類結(jié)果進行集成,使得聚類得到進一步優(yōu)化。根據(jù)聚類結(jié)果,在同一類中采用改進的用戶相似度算法來優(yōu)化傳統(tǒng)相似度算法,使用戶間的相似度達到最優(yōu),并根據(jù)領(lǐng)域的評分預測方法將最佳結(jié)果推薦給用戶。實驗結(jié)果表明,該算法的精度、召回率及平均絕對誤差均優(yōu)于其他現(xiàn)有算法,且在數(shù)據(jù)稀疏情況下其性能仍最佳。 

【文章來源】：計算機工程. 2020,46(10)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

改進的蜂群優(yōu)化聚類集成

本文算法流程

杰卡德和皮爾遜聯(lián)合相似度的MAE

【參考文獻】：
期刊論文
[1]基于大數(shù)據(jù)的個性化推薦系統(tǒng)研究[J]. 石巖松.  通訊世界. 2019(04)
[2]基于簇過濾的優(yōu)勢集模糊聚類集成[J]. 周冰,李飛,侯位昭,蘇攀.  計算機與網(wǎng)絡(luò). 2019(07)
[3]基于聚類的協(xié)同過濾算法的研究[J]. 楊文娟,金子馨.  電腦知識與技術(shù). 2018(16)
[4]基于改進人工蜂群的圖像增強算法[J]. 郭文艷,周吉瑞,張姣姣.  計算機工程. 2017(11)
[5]基于K-means聚類算法的入侵檢測系統(tǒng)研究[J]. 陳麗珊.  昆明學院學報. 2017(03)
[6]基于PCA降維的協(xié)同過濾推薦算法[J]. 李遠博,曹菡.  計算機技術(shù)與發(fā)展. 2016(02)
[7]基于Bagging的聚類集成方法[J]. 李杉,張化祥.  計算機工程與設(shè)計. 2010(01)
[8]協(xié)同過濾推薦算法綜述[J]. 馬宏偉,張光衛(wèi),李鵬.  小型微型計算機系統(tǒng). 2009(07)

碩士論文
[1]基于兩階段聯(lián)合哈希技術(shù)的協(xié)同過濾推薦算法研究[D]. 侯耀祖.安徽工業(yè)大學 2018



本文編號：3083361