基于加权聚类的动态协同过滤推荐算法

赵洋+刘方爱

摘要：针对传统协同过滤推荐算法存在数据稀疏性及动态情景下推荐效率急剧下降的问题，提出了一种基于加权聚类的动态情景协同过滤推荐算法。该方法对提供较多评分的用户给予更多的重视，在运用SK-means聚类方法的基础上引入用户权重的概念，有效的解决了数据稀疏性的问题，在此基础上考虑增量更新的情况以便处理推荐过程中数据的频繁变化带来的影响，优化了对目标用户的偏好预测和个性化推荐建议。实验结果表明，相比于IUCF、IICF、和COCLUST算法，该算法在有效缓解用户评分数据稀疏性的同时，还以非常低的计算成本提供了高质量的推荐建议。

关键词：协同过滤；加权聚类方法；数据稀疏性；动态情景；推荐效率

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2017）05-0142-03

推荐系统[1]收集用户的历史数据和其他相关信息，利用数据挖掘方法和各种数学模型进行分析计算，准确预测用户的兴趣爱好，主动向用户推荐可能感兴趣的内容。

传统的协同过滤算法在静态情境下可以实现良好的预测精度，但随着用户数目和项目数量的持续增加以及评分的不断更新，协同过滤算法的数据稀疏性问题以及推荐效率急剧下降的问题越来越突出，这直接导致了推荐系统的推荐质量迅速下降。针对这一问题，相关研究引入了不同的算法[3]。例如，X.Yang等人[4]通过计算和分析不同情况下项目间的相似性，使用动态增量更新和本地链路预测的方式，提出一种以可扩展项目为基础的协同过滤算法。……