基于融合GMM聚类与FOA-GRNN模型的推荐算法

李毅鹏; 阮叶丽; 张杰

doi:10.11959/j.issn.2096-109x.2018097

您当前的位置：

首页 >

文章列表页 >

基于融合GMM聚类与FOA-GRNN模型的推荐算法

学术论文 | 更新时间：2024-06-03

- 基于融合GMM聚类与FOA-GRNN模型的推荐算法
- Recommendation algorithm based on GMM clustering and FOA-GRNN model
- 网络与信息安全学报 2018年4卷第12期页码：25-31
- 作者机构：
- 作者简介：
  
  [ "李毅鹏（1980-），男，湖北武汉人，中南财经政法大学副教授，主要研究方向为管理信息系统、DSS、Mobile电子商务。" ]
  [ "阮叶丽（1994-），女，贵州仁怀人，中南财经政法大学硕士生，主要研究方向为推荐系统。" ]
  [ "张杰（1995-），男，安徽六安人，中南财经政法大学硕士生，主要研究方向为金融统计。" ]
- 基金信息：
  
  校级中央高校基本科研基金资助项目;The Fundamental Research Funds for the Central Universities;教育教学改革基金资助项目;The Education and Teaching Reform Fund(2018-9)
- DOI：10.11959/j.issn.2096-109x.2018097
  中图分类号： TP311
- 网络首发：2018-12，
  
  纸质出版：2018-12-15
- 稿件说明：
移动端阅览
李毅鹏, 阮叶丽, 张杰. 基于融合GMM聚类与FOA-GRNN模型的推荐算法[J]. 网络与信息安全学报, 2018,4(12):25-31.

Yipeng LI, Yeli RUAN, Jie ZHANG. Recommendation algorithm based on GMM clustering and FOA-GRNN model[J]. Chinese Journal of Network and Information Security, 2018, 4(12): 25-31.
李毅鹏, 阮叶丽, 张杰. 基于融合GMM聚类与FOA-GRNN模型的推荐算法[J]. 网络与信息安全学报, 2018,4(12):25-31. DOI： 10.11959/j.issn.2096-109x.2018097.

Yipeng LI, Yeli RUAN, Jie ZHANG. Recommendation algorithm based on GMM clustering and FOA-GRNN model[J]. Chinese Journal of Network and Information Security, 2018, 4(12): 25-31. DOI： 10.11959/j.issn.2096-109x.2018097.

摘要

针对传统基于物品的推荐算法由于数据稀疏性导致的低推荐精度问题，提出了一种融合GMM聚类和FOA-GRNN模型的推荐算法。该算法首先使用高斯混合模型（GMM）方法对物品特征进行聚类；然后根据聚类结果分别构造评分矩阵，并使用Slope One算法填充评分矩阵；最后计算用户对物品的相似度预测评分作为输入，通过FOA-GRNN模型输出最终的评分。基于movielens-2k数据集的实验结果表明，与其他3种算法相比，该算法能够更好地处理高稀疏性数据，推荐精度更优，并能够在一定程度上解决冷启动问题。

Abstract

Aiming at the problem of low recommendation accuracy caused by sparse data in traditional item-based recommendation algorithm

a recommendation algorithm based on GMM clustering and FOA-GRNN model is proposed.The algorithm firstly uses Gaussian mixture model (GMM) to cluster the item features

then constructs the score matrix according to the clustering results

and fills the score matrix with slope one algorithm.Finally

the user's score based on similarity prediction is taken as input

and the final score is output through FOA-GRNN model.Experimental results based on movielens-2k dataset show that the proposed algorithm can deal with highly sparse data better and has better recommendation accuracy than the other three algorithms.

关键词

Keywords

references

DESHPANDE M , KARYPIS G . Item-based top-N,recommendation algorithms [M ] . ACM , 2004 .

RENDLE S , FREUDENTHALER C , GANTNER Z , et al . BPR:Bayesian personalized ranking from implicit feedback [M ] . AUAI Press , 2009 : 452 - 461 .

OCEPEK U , RUGELJ J , BOSNIĆ Z . Improving matrix factorization recommendations for examples in cold start [J ] . Expert Systems with Applications , 2015 , 42 ( 19 ): 6784 - 6794 .

张锋 , 常会友 . 使用BP神经网络缓解协同过滤推荐算法的稀疏性问题 [J ] . 计算机研究与发展 , 2006 , 43 ( 4 ): 667 - 672 .

ZHANG F , CHANG H Y . Employing bp neural networks to alleviate the sparsity issue in colaborative filtering recommendation algorithms [J ] . Journal of Computer Research and Development , 2006 , 43 ( 4 ): 667 - 672 .

詹增荣 , 曾青松 . 基于协方差矩阵表示的图像集匹配 [J ] . 湖南师范大学自然科学学报 , 2015 , 38 ( 4 ): 74 - 79 .

ZHAN Z R , ZENG . Qing-song image set matching based on covariance matrix [J ] . Journal of Natural Science of Hunan Normal University , 2015 , 38 ( 4 ): 74 - 79 .

张玉连 , 郇思思 , 梁顺攀 . 融合机器学习的加权 Slope One 算法 [J ] . 小型微型计算机系统 , 2016 , 37 ( 8 ): 1712 - 1716 .

ZHANG Y L , HUAN S S , LIANG S P . Integrating machine learning into weighted Slope One algorithm [J ] . Journal of Chinese Computer Systems , 2016 , 37 ( 8 ): 1712 - 1716 .

郭兰杰 , 梁吉业 , 赵兴旺 . 融合社交网络信息的协同过滤推荐算法 [J ] . 模式识别与人工智能 , 2016 , 29 ( 3 ): 281 - 288 .

GUO L J , LIANG J Y , ZHAO X W . collaborative filtering recommendation algorithm incorporationg social network information [J ] . PR＆AI , 2016 , 29 ( 3 ): 281 - 288 .

张宇 , 王文剑 , 赵胜男 . 基于正负反馈的 SVM 协同过滤 Top-N推荐算法 [J ] . 小型微型计算机系统 , 2017 , 38 ( 5 ): 961 - 966 .

ZHANG Y , WANG W J , ZHAO S N . SVM collaborative filtering Top-N recommendation algorithm based on positive and negative feedback [J ] . Journal of Chinese Computer Systems , 2017 , 38 ( 5 ): 961 - 966 .

庞海龙 , 赵辉 , 李万龙 , 等 . 融合协同过滤的线性回归推荐算法 [J ] . 计算机应用研究 , 2019 ( 5 ).

PANG H L , ZHAO H , LI W L , et al . Linear regression recommendation algorithm with collaborative filtering [J ] . Application Research of Computers , 2019 ( 5 ).

丁永刚 , 李石君 , 余伟 , 等 . 基于码本聚类和因子分解机的多指标推荐算法 [J ] . 计算机科学 , 2017 , 44 ( 10 ): 182 - 186 .

DING Y G , LI S J , YU W , et al . Multi-criteria recommendation algorithm based on codebook-clustering and factorization machines [J ] . Computer Science , 2017 , 44 ( 10 ): 182 - 186 .

龚敏 , 邓珍荣 , 黄文明 . 基于用户聚类与Slope One填充的协同推荐算法 [J ] . 计算机工程与应用 , 2018 , 20 ( 8 ): 102 - 110 .

GONG M , DENG Z R , HUANG W M . Collaborative recommendation algorithm based on user clustering and Slope One filling [J ] . Computer Engineering and Applications , 2018 , 20 ( 8 ): 102 - 110 .

陶维成 , 党耀国 . 基于灰色关联聚类的协同过滤推荐算法 [J ] . 运筹与管理 , 2018 ( 1 ): 84 - 88 .

TAO W C , DANG Y G . Collaborative filtering recommendation algorithm based on grey incidence clustering [J ] . Operations Research and Management Science , 2018 ( 1 ): 84 - 88 .

杨大鑫 , 王荣波 , 黄孝喜 , 等 . 基于最小方差的K-means用户聚类推荐算法 [J ] . 计算机技术与发展 , 2018 ( 1 ): 104 - 107 .

YANG D X , WANG R B , HUANG X X , et al . K-means user clustering recommendation algorithm based on minimum variance [J ] . Computer Technology and Development , 2018 ( 1 ): 104 - 107 .

LEMIRE D , MACLACHLAN A . Slope One Predictors for online:rating-based collaborative filtering [C ] // Proc of SIAM Data Mining . 2005 : 471 - 476

BREESE J S , HECKERMAN D , KADIE C . Empirical analysis of predictive algorithm for collaborative filtering [R ] . MSR-TR-98-12,Redmond,Microsoft , 1998 .

SEHAFER J , FRANKOWSKI D , HERLOCKER J . Collaborative filtering recommender systems [M ] . Berlin:Springer . 2007 .

浏览量

1077

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据