协同过滤推荐算法不仅能发现用户现阶段的兴趣,而且能挖掘出隐含的兴趣信息,并且随着时间的推移和数据量的增加,推荐效果能够显著提高。因此,目前协同过滤是推荐系统中比较热门的常用推荐技术之一,但该算法面临着冷启动、稀疏性、实时...协同过滤推荐算法不仅能发现用户现阶段的兴趣,而且能挖掘出隐含的兴趣信息,并且随着时间的推移和数据量的增加,推荐效果能够显著提高。因此,目前协同过滤是推荐系统中比较热门的常用推荐技术之一,但该算法面临着冷启动、稀疏性、实时性和扩展性等一些影响推荐效果的问题。针对这些问题,首先提出了基于属性的协同过滤推荐算法来提高数据资源的利用率,以降低矩阵的稀疏度;其次,为了减少计算量,使用K-means聚类算法进行恰当分组;然后,为了有效过滤冗余数据,把奇异值分解(singular value decomposition,SVD)技术引入到协同过滤推荐算法中,对矩阵数据进行降维处理;最后,将基于属性、K-means聚类和奇异值分解的改进算法与传统协同过滤推荐算法进行比较,并通过实验对其有效性进行了验证。展开更多
文摘协同过滤推荐算法不仅能发现用户现阶段的兴趣,而且能挖掘出隐含的兴趣信息,并且随着时间的推移和数据量的增加,推荐效果能够显著提高。因此,目前协同过滤是推荐系统中比较热门的常用推荐技术之一,但该算法面临着冷启动、稀疏性、实时性和扩展性等一些影响推荐效果的问题。针对这些问题,首先提出了基于属性的协同过滤推荐算法来提高数据资源的利用率,以降低矩阵的稀疏度;其次,为了减少计算量,使用K-means聚类算法进行恰当分组;然后,为了有效过滤冗余数据,把奇异值分解(singular value decomposition,SVD)技术引入到协同过滤推荐算法中,对矩阵数据进行降维处理;最后,将基于属性、K-means聚类和奇异值分解的改进算法与传统协同过滤推荐算法进行比较,并通过实验对其有效性进行了验证。
