1(中国科学院大学 北京 101408); 2(中国科学院软件研究所 北京 100190) (tjluo@ucas.ac.cn)
出版日期: 2018-07-01基金资助:中国科学院系统优化基金项目(Y42901VED2，Y42901VEB1，Y42901VEB2)A Feature-Based Co-Clustering Model
Zhang Fei1, Zhang Libo2, Luo Tiejian1, Wu Yanjun21(University of Chinese Academy of Sciences, Beijing 101408); 2(Institute of Software, Chinese Academy of Sciences, Beijing 100190)
Online: 2018-07-01摘要/Abstract
摘要： 推荐系统能够有效解决用户的个性化推荐问题，其中，协同过滤是近年来的主流方法.协同过滤算法具有一定的局限性，因为需要在全部的物品中为用户进行推荐，而单个用户往往只对某些领域的物品感兴趣.为了解决这个问题，提出了一种新的协同聚类模型，先将用户和物品根据兴趣或特征进行聚类分组，然后在每个分组上进行相应的推荐.该模型主要包含2个模块:1)特征表示模块，用以发掘用户的兴趣和物品的特征;2)根据该特征构建的图模型，用来求解最终的聚类分组.通过在3种公开数据集上与其他算法进行性能比较，验证了这种协同聚类模型能够显著提高推荐系统预测与推荐的准确度.
参考文献
相关文章 15
| [1] | 郑值, 徐童, 秦川, 廖祥文, 郑毅, 刘同柱, 童贵显. 基于多源情境协同感知的药品推荐[J]. 计算机研究与发展, 2020, 57(8): 1741-1754. |
| [2] | 陈嘉颖, 于炯, 杨兴耀. 一种融合语义分析特征提取的推荐算法[J]. 计算机研究与发展, 2020, 57(3): 562-575. |
| [3] | 曾义夫, 牟其林, 周乐, 蓝天, 刘峤. 基于图表示学习的会话感知推荐模型[J]. 计算机研究与发展, 2020, 57(3): 590-603. |
| [4] | 刘波,李洋,孟青,汤小虎,曹玖新. 社交媒体内容可信性分析与评价[J]. 计算机研究与发展, 2019, 56(9): 1939-1952. |
| [5] | 吴宾,娄铮铮,叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047. |
| [6] | 周俊,董晓蕾,曹珍富. 推荐系统的隐私保护研究进展[J]. 计算机研究与发展, 2019, 56(10): 2033-2048. |
| [7] | 朱桂祥,曹杰. 基于主题序列模式的旅游产品推荐引擎[J]. 计算机研究与发展, 2018, 55(5): 920-932. |
| [8] | 张凯涵,梁吉业,赵兴旺,王智强. 一种基于社区专家信息的协同过滤推荐算法[J]. 计算机研究与发展, 2018, 55(5): 968-976. |
| [9] | 高岭,高全力,王海,王伟,杨康. 基于基准相似空间分布优化的偏好预测方法[J]. 计算机研究与发展, 2018, 55(5): 977-985. |
| [10] | 贾熹滨，靳亚，陈军成. 多视角特征共享的空间对齐跨领域情感分类[J]. 计算机研究与发展, 2018, 55(11): 2439-2451. |
| [11] | 焦旭,肖迎元,郑文广,朱珂. 基于位置的社会化网络推荐技术研究进展[J]. 计算机研究与发展, 2018, 55(10): 2291-2306. |
| [12] | 高玉凯,王新华,郭磊,陈竹敏. 一种基于协同矩阵分解的用户冷启动推荐算法[J]. 计算机研究与发展, 2017, 54(8): 1813-1823. |
| [13] | 孟桓羽,刘真,王芳,徐家栋,张国强. 基于图和改进K近邻模型的高效协同过滤推荐算法[J]. 计算机研究与发展, 2017, 54(7): 1426-1438. |
| [14] | 何明,常盟盟,吴小飞. 一种基于差分隐私保护的协同过滤推荐方法[J]. 计算机研究与发展, 2017, 54(7): 1439-1451. |
| [15] | 顾佳伟,赵瑞玮,姜育刚. 视频拷贝检测方法综述[J]. 计算机研究与发展, 2017, 54(6): 1238-1250. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3731
