融合类目偏好和数据场聚类的协同过滤推荐算法研究 |
| |
引用本文: | 马鑫,王芳.融合类目偏好和数据场聚类的协同过滤推荐算法研究[J].现代情报,2023(1):6-18. |
| |
作者姓名: | 马鑫 王芳 |
| |
作者单位: | 1. 南开大学商学院;2. 南开大学网络社会治理研究中心 |
| |
基金项目: | 国家社会科学基金重大项目“基于数据共享与知识复用的数字政府智能化治理研究”(项目编号:20ZDA039); |
| |
摘 要: | 目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一,受数据稀疏和计算可扩展问题影响,推荐效果不尽如人意。方法/过程]针对上述问题,提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation, CPDFC-CFR)。首先,该算法舍弃用户评分,利用评论情感构建用户—项目矩阵,以增强用户偏好表示能力;其次,该算法引入类目偏好和语义偏好的概念,利用类目偏好比对高维用户—项目矩阵进行降维,并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好,以降低数据稀疏性;最后,该算法将数据场作为用户聚类的前置算法,把数据场输出(极大值点)作为K-means算法输入,以提升算法实时性和稳定性。结果/结论]实验结果表明:(1)项目类目级别越低,CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优;(2)与其他推荐算法相比,CPDFC-CFR算法能够有效提升推荐准确性和计算效率,对协同过滤推荐系统建设具有重...
|
关 键 词: | 推荐系统 协同过滤 数据稀疏 计算可扩展 类目偏好 数据场聚类 |
|