基于改进聚类与融合用户属性特征的协同过滤推荐算法

摘要

针对协同过滤算法数据稀疏导致推荐质量低和推荐效率低的问题,本文提出了一种基于改进K-means聚类与用户属性的协同过滤推荐算法。为了改进K-means算法初始中心选取的随机性,本文先用canopy算法对数据进行粗聚类,引入“最大最小距离积法”选取初始点,接着用K-means算法进行聚类,在生成多个聚类簇之后,将修正的余弦相似度与用户属性特征相结合,形成新的相似度计算模型,最后进行相应的推荐。通过MAE、RMSE两个指标的比较,结果表明,改进后的算法能够提高推荐效率和推荐准确性。