协同过滤中一种有效的最近邻选择方法

被引：15

作者：

冷亚军 ^{[1
,2
]}

梁昌勇 ^{[1
,2
]}

丁勇 ^{[1
]}

陆青 ^{[3
]}

机构：

[1] 合肥工业大学管理学院

[2] 过程优化与智能决策教育部重点实验室

[3] 上海电力学院经济与管理学院

来源：

模式识别与人工智能 | 2013年 / 26卷 / 10期

基金：

高等学校博士学科点专项科研基金;

关键词：

推荐系统; 协同过滤; 最近邻选择; 近邻倾向性; 近邻修正;

D O I：

10.16451/j.cnki.issn1003-6059.2013.10.006

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

协同过滤中的评分数据稀疏性使得最近邻搜寻不够准确,导致推荐质量较差.基于此,文中提出一种有效的针对稀疏评分的最近邻选择方法——两阶段最近邻选择算法(TPNS).TPNS分为两个步骤,首先计算用户间的近邻倾向性,选择近邻倾向性较高的用户组成初始近邻集合;然后根据初始近邻集合计算目标用户与其他用户间的等价关系相似性,使用等价关系相似性对目标用户的初始近邻集合进行修正,得到最近邻集合.在MovieLens数据集上对比常用的推荐算法,实验结果表明文中方法在协同过滤推荐的应用中具有更高的准确性.

引用

页码：968 / 974

页数：7

共 17 条

[1] 两阶段联合聚类协同过滤算法 [J].

吴湖 ;

王永吉 ;

王哲 ;

王秀利 ;

杜栓柱 .

软件学报, 2010, 21 (05) :1042-1054

[2] 基于领域最近邻的协同过滤推荐算法 [J].

李聪 ;

梁昌勇 ;

马丽 .

计算机研究与发展, 2008, (09) :1532-1538

[3] 一种有效的高属性维稀疏数据聚类算法 [J].

赵亚琴 ;

周献中 ;

何新 ;

王建宇 .

模式识别与人工智能, 2006, 19 (03) :289-294

[4] 基于信息粒度与Rough集的聚类方法研究 [J].

安秋生 ;

沈钧毅 ;

王国胤 .

模式识别与人工智能, 2003, 16 (04) :412-417

[5] 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

[6] 粗糙集理论中概念与运算的信息表示 [J].

苗夺谦 ;

王珏 .

软件学报, 1999, (02) :2-5

[7]

Collaborative filtering based on significances[J] . Jesús Bobadilla,Antonio Hernando,Fernando Ortega,Abraham Gutiérrez.Information Sciences . 2011 (1)

[8] Collaborative error-reflected models for cold-start recommender systems [J].

Kim, Heung-Nam ;

El-Saddik, Abdulmotaleb ;

Jo, Geun-Sik .

DECISION SUPPORT SYSTEMS, 2011, 51 (03) :519-531

[9] Collaborative filtering with ordinal scale-based implicit ratings for mobile music recommendations [J].

Lee, Seok Kee ;

Cho, Yoon Ho ;

Kim, Soung Hie .

INFORMATION SCIENCES, 2010, 180 (11) :2142-2155

[10]

Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation[J] . Heung-Nam Kim,Ae-Ttie Ji,Inay Ha,Geun-Sik Jo.Electronic Commerce Research and Applications . 2009 (1)

← 1 2 →