基于情境聚类和用户评级的协同过滤推荐模型

被引：50

作者：

邓晓懿 ^{[1
]}

金淳 ^{[1
]}

韩庆平 ^{[2
]}

樋口良之 ^{[3
]}

机构：

[1] 大连理工大学系统工程研究所

[2] 美国佛罗里达州立大西洋大学信息技术及运作管理系

[3] 日本福岛大学理工学部共生系统工程系

来源：

系统工程理论与实践 | 2013年 / 33卷 / 11期

基金：

国家自然科学基金重大项目;

关键词：

协同过滤; 用户聚类; 情境; 用户评级; 个性化推荐;

D O I：

暂无

中图分类号：

F724.6 [电子贸易、网上贸易]; TP391.3 [检索机];

学科分类号：

1201 ; 081203 ; 0835 ;

摘要：

协同过滤是电子商务推荐系统中广泛应用的推荐技术,但面临着严重的用户评分数据高维化和稀疏性问题.同时,传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响,因而对评分预测的精度影响较大.此外,在移动环境下,传统协同过滤未结合情境信息,导致推荐质量下降.对此,提出一种基于情境聚类和用户评级的协同过滤模型.首先,根据情境信息对用户进行聚类,降低用户评分数据维度和稀疏性;然后,引入社会网络理论分析用户间关系,建立用户评级模型用于评价用户推荐能力,并结合评级指标进行评分预测.通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明:本模型在所有数据集上都获得了最高的预测精度,同时还具有最佳的推荐覆盖度,可显著提高预测精度,更适用于移动电子商务环境下的个性化推荐问题.

引用

页码：2945 / 2953

页数：9

共 20 条

[1] 移动商务中面向客户细分的KSP混合聚类算法 [J].

邓晓懿 ;

金淳 ;

樋口良之 ;

韩庆平 .

管理科学 , 2011, (04) :54-61

[2] 电子商务协同过滤稀疏性研究:一个分类视角 [J].

李聪 ;

梁昌勇 ;

杨善林 .

管理工程学报, 2011, 25 (01) :94-101

[3] 基于PCA-SOM的混合协同过滤模型 [J].

郁雪 ;

李敏强 .

系统工程理论与实践, 2010, 30 (10) :1850-1854

[4] 通过相似度支持度优化基于K近邻的协同过滤算法 [J].

罗辛 ;

欧阳元新 ;

熊璋 ;

袁满 .

计算机学报, 2010, 33 (08) :1437-1445

[5] 互联网推荐系统比较研究 [J].

许海玲 ;

吴潇 ;

李晓东 ;

阎保平 .

软件学报, 2009, 20 (02) :350-362

[6] 基于云模型的协同过滤推荐算法 [J].

张光卫 ;

李德毅 ;

李鹏 ;

康建初 ;

陈桂生 .

软件学报, 2007, (10) :2403-2411

[7] 基于网页语义相似性的商品隐性评分算法 [J].

陈冬林 ;

聂规划 ;

刘平峰 .

系统工程理论与实践, 2006, (11) :98-102

[8] 基于项目评分预测的协同过滤推荐算法 [J].

邓爱林 ;

朱扬勇 ;

施伯乐 .

软件学报, 2003, (09) :1621-1628

[9]

Hybrid personalized recommender system using centering-bunching based clustering algorithm[J] . Subhash K. Shinde,Uday Kulkarni.Expert Systems With Applications . 2011 (1)

[10] A relation context oriented approach to identify strong ties in social networks [J].

Ding, Li ;

Steil, Dana ;

Dixon, Brandon ;

Parrish, Allen ;

Brown, David .

KNOWLEDGE-BASED SYSTEMS, 2011, 24 (08) :1187-1195

← 1 2 →