融合类目偏好和数据场聚类的协同过滤推荐算法研究

作者：马鑫; 王芳

来源：现代情报, 2022, 1-13.

• 推荐系统
• 协同过滤
• 数据稀疏
• 计算可扩展
• 类目偏好
• 数据场聚类

[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一，受数据稀疏和计算可扩展问题影响，推荐效果不尽如人意。[方法/过程]针对上述问题，提出了一种改进的推荐算法（Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation,CPDFC-CFR）。首先，该算法舍弃用户评分，利用评论情感构建用户—项目矩阵，以增强用户偏好表示能力；其次，该算法引入类目偏好和语义偏好的概念，利用类目偏好比对高维用户—项目矩阵进行降维，并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好，以降低数据稀疏性；最后，该算法将数据场作为用户聚类的前置算法，把数据场输出（极大值点）作为K-means算法输入，以提升算法实时性和稳定性。[结果/结论]实验结果表明：（1）项目类目级别越低，CPDFC-CFR算法准确性（F-measure）和即时性（相似度计算次数和推荐耗时）越优；（2）与其他推荐算法相比，CPDFC-CFR算法能够有效提升推荐准确性和计算效率，对协同过滤推荐系统建设具有重要参考价值。

• 单位
  南开大学