基于自编码机和聚类的混合推荐算法

赵阳; 朱全银; 胡荣林; 瞿学新

Chinese

您当前的位置：

首页 >

文章列表页 >

基于自编码机和聚类的混合推荐算法

更新时间：2026-09-04

- 基于自编码机和聚类的混合推荐算法
- Hybrid Recommendation Algorithm Based on Autoencoder and Clustering
- 微电子学与计算机 2018年35卷第11期页码：52-56
- 作者机构：
  
  1. 南京工业大学机构计算机科学与技术学院,江苏,南京,211816
  2. 淮阴工学院机构计算机与软件工程系,江苏,淮安,223003
- 作者简介：
- 基金信息：
  
  江苏省科技厅2015年重点研发计划项目 BE2015127江苏高校自然基金 15KJB52004江苏省公共服务平台建设项目 16SYC-114淮安市重点研发计划 HAG201604
- DOI：
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
赵阳, 朱全银, 胡荣林, 瞿学新. 基于自编码机和聚类的混合推荐算法[J]. 微电子学与计算机, 2018, 35(11): 52-56.

ZHAO Yang, ZHU Quan-Yin, HU Rong-Lin, et al. Hybrid Recommendation Algorithm Based on Autoencoder and Clustering[J]. 2018, 35(11): 52-56.
赵阳, 朱全银, 胡荣林, 瞿学新. 基于自编码机和聚类的混合推荐算法[J]. 微电子学与计算机, 2018, 35(11): 52-56. DOI：

ZHAO Yang, ZHU Quan-Yin, HU Rong-Lin, et al. Hybrid Recommendation Algorithm Based on Autoencoder and Clustering[J]. 2018, 35(11): 52-56. DOI：

摘要

针对传统的协同过滤推荐算法在稀疏数据集上表现不佳的情况

提出了一种将自编码机(Autoencoder)和聚类结合的混合推荐算法.首先将用户项目评分数据和用户人口统计学数据作为自编码机的输入

提取用户特征.然后利用提取到的用户特征对用户聚类得到用户类别

从而使近邻搜索范围减小.接着通过计算平均绝对误差(MAE)寻找到适用于同一类别用户的推荐算法

最后组合各类别上适用的推荐算法

得到混合推荐模型.推荐阶段

计算目标用户类别

并使用混合推荐模型得到推荐结果.实验结果表明

该算法可以有效的提高推荐质量。

Abstract

With the problem that traditional collaborative filtering recommendation algorithm does not recommend high quality on sparse data sets

a hybrid recommendation algorithm that based on autoencoder and clustering is proposed. First

the users project rating data and user demographic data as the input data from the autoencoder to extract user characteristics. Then use the extracted user characteristics to cluster the users to obtain the user categories

so that the search range of the neighbor decreases. Then search for a recommendation algorithm for the same type of users by calculating mean absolute error (MAE)

and get a hybrid recommendation model. Finally calculate the target user category and use the hybrid recommendation model to get the recommended results. Experimental results show that this algorithm can effectively improve the quality of recommendation.

关键词

Keywords

references

Shang S, Hui Y, Hui P, et al. Privacy preserving recommendation system based on groups[J]. Computer Science, 2013(129): 407-409. DOI: 407

Li X, She J. Collaborative variational autoencoder for recommender systems[C]// The ACM SIGKDD International Conference. Nova Scotia, Canada, ACM, 2017: 305-314.

Resnick P, Iacovou N, Suchak M, et al. Group Lens: an open architecture for collaborative filtering of netnews[C]// ACM Conference on Computer Supported Cooperative Work. Chapel Hill, NC, USA, ACM, 1994: 175-186.

Breese John S, Heckerman, David Kadie Carl. Empirical analysis of predictive algorithms for collaborative filtering[J]. Uncertainty in Artificial Intelligence, 2013, 98 (7): 43-52. DOI: 43

David Arthur, Sergei Vassilvitskii. K-Means++: the advantages of careful seeding[J]. Society for Industrial and Applied Mathematics, 2007, 11(6):1027-1035. DOI: 1027

Hu R, Dou W, Liu J. ClubCF: a clustering-based collaborative filtering approach for big data application[J]. Emerging Topics in Computing IEEE Transactions on, 2014, 2(3):302-313. DOI: 302

林建辉, 严宣辉, 黄波.基于SVD与模糊聚类的协同过滤推荐算法[J].计算机系统应用, 2016, 25(11):156-163. DOI: 156

Shang M S, Lü L, Zeng W, et al. Relevance is more significant than correlation: Information filtering on sparse data[J]. Europhysics Letters, 2010, 88(6): 68008-68012. DOI: 68008

Wen J, Zhou W. An improved item-based collaborative filtering algorithm based on clustering method[J]. Journal of Computational Information Systems, 2012, 8(2):571-578. DOI: 571

朱郁筱, 吕琳媛.推荐系统评价指标综述[J].电子科技大学学报, 2012, 41(2):163-175. DOI: 163

朱东郡, 李敬兆, 谭大禹, 等.基于标签聚类和兴趣划分的协同过滤推荐算法[J].计算机工程, 2017, 43 (11) :146-151. DOI: 146

王志虎, 黄曼莹.基于用户历史行为的协同过滤推荐算法[J].微电子学与计算机, 2017, 34(5):132-136. DOI: 132

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

面向处理器分支预测单元的Spectre攻击轻量化防御方法

基于监控指标关联性的微服务异常检测

基于多尺度融合与小目标增强的航拍车辆检测算法

注意力机制与改进密集卷积引导的信息隐藏模型

低功耗设计的双链电源关断策略的实现与验证