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髙算法的推荐精度,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。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !