基于数据双重优化聚类的协同过滤推荐算法

在传统的协同过滤推荐算法使用中,不可避免地遇到数据稀疏性、冷启动和可扩展性问题.然而个性化推荐系统需要真实大量的流式数据支持,因此需要一类能够有效提高符合现实用户需求的推荐方法.该类推荐方法必须密切联系用户日常操作行为,采集用户偏好程度等等.在流式大数据环境下,推荐算法中的用户特征和用户偏好尤为重要.文中提出了一种基于用户活跃度(CF-act)双重聚类的协同过滤推荐算法,以用户特征和用户偏好为种子数据,对种子数据采用优化的K-means算法分别聚类生成用户-项目评分表,在聚类中搜索目标用户的最近邻居为目标用户产生推荐,缩小搜索范围,降低推荐的时间复杂度.最后,文中比较了提出的推荐算法与传统协同过滤算法的误差率,且验证了推荐系统的运行效率.