基于项目特征聚类的协同过滤推荐算法

《基于项目特征聚类的协同过滤推荐算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第26卷第7期计算机应用与软件Vo1．26No．72009年7月ComputerApplicationsandSoftwareJu1．2009基于项目特征聚类的协同过滤推荐算法翁小兰庄永龙‘(淮阴师范学院计算机科学系江苏淮安223300)。(淮阴师范学院信息中心江苏淮安223300)摘要提出基于项目特征聚类的Item—based协同过滤推荐算法。该算法首先根据项目的属性特征对项目进行聚类，形成其特征相似群，然后采用一种基于预评分的相似性度量方法计算目标项的最近邻居，最终产生推荐。经实验验证该算法可以有效解决用户评分数据稀疏性和冷启动的

2、难题，而且可以显著提高系统推荐质量。关键词协同过滤推荐聚类推荐系统MAEACoLLABoRATⅣEFILTERINGALGoRITHMBASEDoNCLUSTEIUNGoFITEMS’CHARACTERWengXiaolanZhuangYonglong(DepartmentofComputerScience，HuaiyinTeachersCollege，Huaian223300，Jiangsu，China)。(Inform~tionCen~r，HuaiyinTeachersCollege，Huaian223300，ngsu，China

3、)AbstractAnitem-basedcollaborativefilteringalgorithmbasedontheclusteringoftheitems’characterisproposedinthispaper．Firstlyitappliesclusteringmethodtoitemsaccordingtothemainattributesofitemsandgetstheircharactersimilaritygroup，thenitcalculatesnearestneighbourofitemswithas

4、imilaritymetricapproachbasedonpre-rating，andfinallyitmakestherecommendation．Theexperimentalresultsvalidatedthatthisalgorithmcanimprovetheextremesparsityofuserratingdataandthe“cold-stat”problemeficiently，andsignificantlyraiserecommendationquality．KeywordsCollaborativefil

5、teringrecommendationClusteringRecommendersystemMeanabsoluteerror在：(1)用户评分数据的稀疏性。在没有任何刺激和鼓励评分0引言的优惠措施下，用户评分项目一般不会超过项目总数的1％，被多个用户同时评分的项目更是少之又少⋯，在用户评分数据极信息技术的日新月异和Internet的迅猛发展给人类带来便度稀疏的情况下，用户之间或者项目之间的相似度计算不准确，利的同时也给人类带来信息过载问题。以往人找信息的服务模最终影响了推荐的精度；(2)冷启动问题或新项目问题。当一式再也不能满足用

6、户的需求，因此各种适用于个性化服务的推个新项目出现时，没有任何用户对其评价，这种基于邻居用户或荐方法陆续推出。迄今为止，最近邻协同过滤推荐是个性化推邻居项目得出目标用户推荐结果的传统协同过滤推荐系统将无荐中研究和应用最多的技术，已经被广泛地应用于电子商务网法对其进行预测评分和推荐。站、数字图书馆、网页搜索、新闻过滤等领域。鉴于以上情形，急需一种推荐技术，既能继承协同过滤推荐常用的协同过滤推荐算法有User．based和Item-based两技术的思想，又能弥补其在冷启动和数据稀疏性等方面的不足。种。User—based协同过滤推荐基于

7、这样的假设：为目标用户找到他真正感兴趣内容的好方法是首先找到与此用户有相似兴趣1基于项目特征聚类的协同过滤算法的其他用户，然后将他们感兴趣的内容推荐给此用户。这种基于用户的协同推荐算法随着用户数量的增多，计算量呈线性加1．1项目聚类大，其性能越来越差，并且不能对推荐结果提供很好的解释。为项目聚类就是对所有几个项目(商品)，选取k个具有代表此，在2001年Sarwar教授提出了基于项目的协同过滤算法，它性的项目属性形成n×k的二维特征矩阵，然后根据各种不同的基于大部分用户对一些项的评分比较相似，则当前用户对这些相似性度量方法对项目进行聚

8、类，这些相似性度量可以是余弦项的评分也比较相似的假设，计算目标项的若干最近邻居，然后相似性、修正的余弦相似性或者Pearson相关系数。聚类的目的根据目标项的邻居项评分值来预测该项的评分，最后选择预测是将数据对象(项目)