协同过滤是成功的个性化推荐技术之一. 但传统协同过滤算法由于不能及时反映用户的兴趣变化，影响了推荐质量. 针对这个问题，本文借鉴心理学上艾宾浩斯遗忘曲线来跟踪和学习用户的兴趣，展开了协同过滤推荐算法的研究. 通过数学分析工具发现了与遗忘曲线拟合度较高的幂函数曲线，并把用户的兴趣分为短期兴趣和长期兴趣，提出了基于时间窗口的权重函数，以此解决跟踪和学习用户兴趣的难题. 结合项目的评分相似性和属性相似性来定义项目相似度数据权重函数. 将基于时间窗的数据权重与基于项目相似度的数据权重相结合来反应用户对项目的兴趣度
2021-12-21 09:48:34
453KB
1
针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF ）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果；同时引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，同索引间根据项目间的相似度寻找项目最近邻居构成推荐，从而提高协同过滤算法（CF）的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验，证明了GIFP-CCF 算法在推荐结果和推荐精度上具有一定的优越性。
2021-12-16 11:51:56
932KB
1
华中科技大学大数据分析
实验内容
lab1 wordcount算法及其实现
lab2 PageRank算法及其实现
lab3 关系挖掘实验
lab4 kmeans算法及其实现
lab5 推荐系统算法及其实现
2021-12-15 17:05:40
6.3MB