基于人工蜂群的项聚类推荐算法

郭磊; 胡燕

Chinese

您当前的位置：

首页 >

文章列表页 >

基于人工蜂群的项聚类推荐算法

更新时间：2026-09-04

- 基于人工蜂群的项聚类推荐算法
- Item-clusteringRecommendation Algorithm Based on Artificial Bee Colony
- 微电子学与计算机 2017年34卷第6期页码：31-35
- 作者机构：
  
  武汉理工大学计算机科学与技术学院,湖北,武汉,430070
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
郭磊, 胡燕. 基于人工蜂群的项聚类推荐算法[J]. 微电子学与计算机, 2017, 34(6): 31-35.

GUO Lei, HU Yan. Item-clusteringRecommendation Algorithm Based on Artificial Bee Colony[J]. 2017, 34(6): 31-35.
郭磊, 胡燕. 基于人工蜂群的项聚类推荐算法[J]. 微电子学与计算机, 2017, 34(6): 31-35. DOI：

GUO Lei, HU Yan. Item-clusteringRecommendation Algorithm Based on Artificial Bee Colony[J]. 2017, 34(6): 31-35. DOI：

摘要

旨在改善协同过滤推荐算法中暴露的推荐准确性和实时性问题

提出基于人工蜂群的项聚类推荐算法.在数据处理过程中利用人工蜂群聚类算法对项目聚类

从相似性最高的几个聚类中搜索目标项目最近邻居

以此剔除相似性较低项目的干扰提高推荐准确性

同时也大大缩小项目空间

提高了推荐实时性; 在评分预测过程中采用时间权重函数优化传统评分预测模型以提高评分预测的准确性

从而提高推荐准确性.实验结果表明

推荐的准确性和实时性得到了有效提高.

Abstract

Aiming at improving the accuracy and real-time problem exposing in collaborative filtering recommendation algorithm

A new Item-clustering recommendation algorithm based on artificial bee colony algorithm is proposed. In the process of data processing

the artificial bee colony clustering algorithm is used to cluster the items

Search for the nearest neighbors of the target item from the highest similarity of several clusterings

in order to eliminate the interference of similar items to improve the accuracy of the recommendation

At the same time

it also greatly reduces the item space and improves the real-time recommendation; In the process of scoring

the time weighting function is used to optimize the traditional score prediction model in order to improve the accuracy of the prediction

so as to improve the accuracy of recommendation. The experimental results show that the accuracy and real-time performance are improved effectively.

关键词

Keywords

references

Breese J, Hecherman D, Kadie C. Empirical analysis of predictive algorithms for collaborative filtering[C]//Proceedings of UAI'98. [S.l.]: ACM Press, 1998: 43-52.

Ding Y, Li X. Time weight collaborative filtering[C] //Proceedings of the 14th ACM international conference on Information and knowledge management. New York: ACM, 2005: 485-492.

Zhang L, Peng L F, Phelan C A. Novel recommendation of user-based collaborative filtering[J]. Journal of Digital Information Management, 2014, 12(3): 165-175. DOI: 165

邓爱林, 左子叶, 朱扬勇. 基于项目聚类的协同过滤推荐算法[J]. 小型微型计算机系统, 2004, 25(9): 1665-1670. DOI: 1665

李荟, 谢强, 丁秋林. 一种基于情景的协同过滤推荐算法[J]. 计算机技术与发展, 2014, 23(10): 42-46. DOI: 42

张凤娟. 基于粒子群优化的项聚类推荐算法研究[J]. 计算机工程, 2009, 35(23): 178-180. DOI: 178

廖开际, 欧阳解文, 席运江. 基于位置信息的协同过滤推荐算法[J]. 系统工程, 2015, 32(12): 121-125. DOI: 121

喻金平, 郑杰, 梅宏标. 基于改进人工蜂群算法的K均值聚类算法[J]. 计算机应用, 2014, 34(4): 1065-1069. DOI: 1065

秦全德, 程适, 李丽, 等. 人工蜂群算法研究综述[J]. 智能系统学报, 2014, 9(2): 127-135. DOI: 127

曹永春, 蔡正琦, 邵亚斌. 基于K-means的改进人工蜂群聚类算法[J]. 计算机应用, 2014, 34(1): 204-207. DOI: 204

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真

一种用于极低压boost系统的高效率电荷泵

大模型发展综述：从BERT到Deepseek的技术演进

面向处理器分支预测单元的Spectre攻击轻量化防御方法

基于改进RT-DETR的航拍小目标检测算法