论文部分内容阅读
互联网的快速发展给用户带来大量信息。随之而来的信息过载问题导致用户难以找到适合自己的信息,并且降低了信息查找效率。推荐系统是解决信息过载问题的有效解决工具。 协同过滤算法是推荐系统中应用最广泛的算法之一,该算法通过用户—项目评分矩阵,对该矩阵中的未知评分进行预测来进行项目的推荐。但随着用户与项目数量的增加,协同过滤性能受限。因此,如何设计一种时间效率高、推荐精度好的协同过滤推荐算法是关键所在。基于此,本文提出一种新的算法框架:基于联合聚类的矩阵分解推荐算法(MFCC)。该算法在保持协同过滤算法高精度的基础上,利用联合聚类算法加快时间效率。具体地,该算法首先利用联合聚类算法将用户—项目评分矩阵聚类成若干子评分矩阵,并且各子评分矩阵内部具有强关联性,各子评分矩阵之间互不相关。本文利用高精度的矩阵分解算法对各子评分矩阵并行地进行评分预测。 通过大量实验和分析结果表明,本文提出的基于联合聚类的矩阵分解推荐算法在得到较高时间效率的基础上,可以取得较好的推荐精度。