计算机应用研究

作者：唐泽坤,黄柄清,李廉,

单位：1.兰州大学信息科学与工程学院,兰州730000；2.伦斯勒理工学院科学院,美国；

关键词：Canopy聚类,推荐系统,协同过滤,

基金：国家重点研发计划资助项目(2018YFB1003205)；国家自然科学基金资助项目(61300230,61370219)；甘肃省自然科学基金资助项目(1107RJZA188)；甘肃省科技支撑计划资助项目(1104GKCA037)；甘肃省科技重大专项资助项目(1102FKDA010)；；

推荐系统通过建立用户和信息产品之间的二元关系，利用用户行为产生的数据挖掘每个用户感兴趣的对象并进行推荐，基于用户的协同过滤是近年来的主流方法，但存在一定局限性：推荐时需要考虑全部用户，而单个用户往往只与少部分用户类似。为了解决这个问题，提出了基于改进Canopy聚类的协同过滤推荐算法，将用户模型数据密度、距离与用户活跃度结合，计算用户数据权值，对用户模型数据进行聚类。由于结合了Canopy的聚类思想，同一用户可以属于不同的类，符合用户可能对多领域感兴趣的情况。最后对每个Canopy中的用户进行相应的推荐，根据聚类结果与用户评分预测用户可能感兴趣的对象。通过在数据集MovieLens和million songs上与对比算法进行MAE、RMSE、NDGG三个指标的比较，验证了该算法能显著提高推荐系统预测与推荐的准确度。

来源：2020年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第9期