采用聚类算法优化的K近邻协同过滤算法  

Effect of Clustering Algorithm in K-nearest-neighborhood Based Collaborative Filtering

作　　者：尹航[1] 常桂然[2] 王兴伟[2] 

机构地区：[1]沈阳航空航天大学,沈阳110136 [2]东北大学信息科学与工程学院,沈阳110819

出　　处：《小型微型计算机系统》2013年第4期806-809,共4页Journal of Chinese Computer Systems

基　　金：国家自然科学基金项目(71071028;70931001)资助;高等学校博士学科点专项科研基金项目(20100042110025)资助

摘　　要：协同过滤推荐是电子商务系统最重要的技术之一,而协同过滤技术中一种被广泛使用的算法就是基于用户评分相似度的K近邻算法.该算法简单有效,易于实现.但K近邻算法在决定待预测样本的预测评分时,并未考虑这K个最近邻与其隶属类别的关联程度.作为评分矩阵中的不同样本,由于它们对分类贡献各不相同,因此在评分预测时需要区别对待.本文采用中心聚类算法,先求出各样本与其所属类别的类别关联度,再利用类别关联度来区别对待待预测样本的K个最近邻.通过实验证明,优化后的K近邻算法能较好的提高推荐精度.Recommender system in E-commerce analyzes preference of users and items recommendations usually rely on Collaborative Filtering （CF）. A classical approach to CF is based on K-Nearest-Neighborhood （KNN） model. But it never consider the classes- relevancy between the samples and the classes their belong. Because of the different contribution to classes in sample set, it＇s necessary to discriminate every nearest neighborhood. This paper presents an improved KNN algorithm and verifies its effectiveness by experiments. Through experimental results, the improved CF method can consistently achieve better prediction accuracy than traditional CF algorithm.

关 键 词：K近邻 协同过滤 聚类算法 类别关联度 

分 类 号：TP311[自动化与计算机技术—计算机软件与理论]