轻工学报

作者：过金超, 杨继纲

单位：郑州轻工业大学电气信息工程学院,河南郑州450002

关键词：个性化推荐, SVD算法, 二分K-均值聚类算法, 协同过滤, 矩阵分解

基金：国家自然科学基金河南省联合项目（U1704149）

针对传统的协同过滤算法存在稀疏性较大和扩展性较差的问题，提出了基于改进的奇异值分解（SVD）算法和二分K-均值聚类算法的协同过滤算法.该算法首先利用改进的SVD算法对稀疏的用户-项目评分矩阵进行降维，获得用户隐含特征矩阵，然后运用二分K-均值聚类算法对相似用户进行聚类来提升算法的可扩展性，最后利用最近邻居集的评分修正目标用户的评分，以减小因矩阵分解导致用户信息丢失造成的误差.利用MovieLens 100K数据集进行的实验结果表明，与传统的基于用户的协同过滤算法、基于K-均值聚类的协同过滤算法和隐语义模型（LFM）算法相比，本文提出的算法能够有效提高推荐结果的准确性.

来源：2020年第4期

《轻工学报》期刊编辑部

查看轻工学报杂志2020年第4期