基于联合聚类和评分矩阵共享的协同过滤推荐

摘要

针对传统协同过滤推荐(Collaborative Filtering Recommendation,CFR)受数据聚类预处理、评分矩阵稀疏性影响较大和多个评分矩阵之间不能知识迁移的问题,提出一种基于联合聚类和评分矩阵共享的协同过滤推荐方法,以提高推荐系统精度和泛化能力.该方法首先通过联合聚类对原始评分矩阵进行用户和项目两个维度的聚类;然后对评分矩阵进行分解并取得共享组级评分矩阵;最后利用共享组级评分矩阵和迁移学习方法进行评分预测.对MovieLents、Book-Crossing两个数据集进行仿真实验,结果表明本方法相比传统方法平均绝对误差减少近8％,有效地提高了协同过滤推荐的预测精度,为协同过滤推荐的应用提供借鉴.