计算机工程

作者：王岩, 王聪英, 申艳梅

单位：河南理工大学 计算机科学技术学院, 河南 焦作 454000

关键词：联合相似度,集成聚类,K-means++聚类,协同过滤,人工蜂群,邻域搜索

基金：国家自然科学基金（61502150）；河南省高等学校重点科研项目（16A120013）；河南理工大学博士基金（B2015-42）。

协同过滤算法由于推荐效果良好，而被广泛应用于推荐领域，但其在数据稀疏及冷启动的情况下会导致推荐效果明显下降。在数据稀疏情况下，为充分利用用户的历史信息以提高算法的推荐精度，提出一种改进的聚类联合相似度推荐算法。采用改进的蜂群算法来优化K-means++聚类的中心点，使聚类中心在整个数据内达到最优，并对聚类结果进行集成，使得聚类得到进一步优化。根据聚类结果，在同一类中采用改进的用户相似度算法来优化传统相似度算法，使用户间的相似度达到最优，并根据领域的评分预测方法将最佳结果推荐给用户。实验结果表明，该算法的精度、召回率及平均绝对误差均优于其他现有算法，且在数据稀疏情况下其性能仍最佳。

来源：2020年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2020年第10期