双重优化聚类在协同过滤推荐中的应用

“基于双重优化聚类的协同过滤推荐算法”是针对传统协同过滤推荐算法在数据稀疏性、冷启动和可扩展性问题上的不足而提出的一种新方法。该研究由梁丽君、李业刚和张娜娜完成，他们来自山东理工大学计算机科学与技术学院。 协同过滤是一种广泛应用于推荐系统中的算法，其基本思想是通过分析用户的历史行为来预测用户可能的兴趣，进而提供个性化推荐。然而，传统的协同过滤算法在面对大规模数据时常常遇到数据稀疏性问题，即大部分用户只有少量的评分记录，这使得找到相似用户或物品变得困难。此外，冷启动问题指的是新用户或新物品没有足够的历史数据来生成有效的推荐。再者，随着用户和物品数量的增长，算法的计算复杂度增加，影响了推荐系统的可扩展性。 针对这些问题，该论文提出了一种基于双重优化聚类的协同过滤推荐算法。首先，它使用优化的K-means算法（CF-act(u)）对用户进行聚类，这一过程考虑了用户特征和用户偏好。优化的K-means算法旨在更好地处理数据稀疏性，提高聚类的准确性。接着，将目标用户分别归属到两个聚类中，然后取这两个聚类的交集，以减少不必要的计算，从而解决可扩展性问题。最后，在双重聚类后的用户集合中应用基于用户的协同过滤推荐算法，为目标用户提供推荐。 实验结果显示，提出的推荐算法相比传统协同过滤在平均绝对误差（MAE）和均方根误差（RMSE）上有显著降低，大约降低了7%，这表明推荐的精度得到了提升。同时，由于聚类技术的应用，推荐系统的准确率和召回率也有所提高。聚类技术还能有效地减少系统内存的运行空间，进一步解决了推荐算法的可扩展性问题，并且能缩短推荐生成的时间。 关键词：协同过滤、双重聚类、优化的K-means算法、扩展性 该研究的创新点在于结合了聚类方法与协同过滤，通过双重优化策略改善了推荐系统的性能。对于推荐系统的研究和实践，这种方法提供了新的思路，有助于解决实际应用中的挑战。