基于谱聚类和LFM的选课推荐算法设计

摘要

cqvip:高校教务系统中学生数量和课程种类的飞速增长,使得传统推荐算法难以处理海量、高维的选课数据,为进一步提升大学生的选课效率,文章提出一种改进的LFM隐语义模型推荐算法,首先构造选课评分数据的相似矩阵,通过谱聚类进行初始分类,然后分类别构建LFM模型并计算合理的推荐算法。通过在某高校的选课数据集上的对比实验,证明了本文算法具有较高的预测精度和较低的空间复杂度。