融合PCA降维和均值漂移聚类的协同过滤推荐算法

A collaborative filtering recommendation algorithm combining PCA dimension reduction and mean shift clustering

扫码查看

原文链接

国家科技期刊平台
NETL
NSTL
维普
万方数据

中文摘要：为了解决传统的协同过滤推荐算法中评分矩阵稀疏及近邻搜索耗时长导致的推荐准确性及时间效率有待提升的问题,设计了一种融合PCA降维和均值漂移聚类的协同过滤推荐算法PMCF.该算法用主成分分析法PCA保留最能代表用户兴趣的维度,以缓解评分矩阵稀疏问题;用均值漂移聚类算法在降维后的低维向量空间上对用户聚类,以减小目标用户最近邻的搜索范围.在Movielens数据集和HetRec2011-Movielens-2k数据集上的实验结果表明,PMCF算法能够有效地提升推荐结果的准确性,同时具有较高的时间效率.

外文关键词：

collaborative filtering recommendationmean shift clusteringprincipal component analysis

作者：

向俊伟、李玲娟

展开 >

作者单位：

南京邮电大学计算机学院、软件学院、网络空间安全学院,江苏南京210023

关键词：

协同过滤推荐均值漂移聚类主成分分析

基金：

国家重点研发计划专项江苏省重点研发计划

项目编号：

2020YFB2104002BE2019740

出版年：

2023

DOI：

10.14132/j.cnki.1673-5439.2023.03.010

南京邮电大学学报(自然科学版)

南京邮电大学

南京邮电大学学报(自然科学版)

CSTPCD北大核心

影响因子：0.486

ISSN：1673-5439

年,卷(期)：2023.43(3)

被引量1
参考文献量3