介绍了现有协同过滤推荐的几种主要算法。它们对数据稀疏性问题都有一定的缓和作用。通过在数据集MovieLens上的实验，分析了各个算法在不同稀疏度下的推荐质量，为针对不同数据稀疏度的系统实现提供了可靠依据。
2021-12-16 15:42:36
147KB
1
协作过滤算法（CF）在推荐系统中难以处理数据的稀疏性和可伸缩性问题。本文提出了基于类别偏好Canopy-K-means的协同过滤算法（CPCKCF），设计了用户项类别偏好比率（UICPR）的定义，并用来计算UICPR矩阵。将Canopy算法作为CPCKCF的前置算法，并将输出作为K-means算法的输入，其结果用于用户数据进行聚类并找到最近的用户以获得预测得分，使用MovieLens数据集进行的实验结果表明，与传统的基于用户的协作过滤算法相比，所提出的CPCKCF算法将计算效率和推荐精度提高了2.81%。
2021-09-06 16:28:19
1.68MB
1
我们将在MovieLens(http://movielens.org)数据集上进行实验，在实验中，我们主要利用到的数据集中的两个文件u.data和u.item，其中u.item中记录的是电影的相关信息，u.data中主要是用户对电影的评分信息，评分的范围是1-5，文件的每一列分别表示用户ID，电影ID，评分，时间戳。
2021-06-30 13:43:36
152KB
1
推荐系统协同过滤实验数据集，可用于学习基于用户或者基于电影的协同过滤算法。非常实用的数据集，值得收藏。
2021-04-14 22:00:36
5.73MB
1