结合用户社区和评分矩阵联合社区的推荐算法研究

摘要

当前基于社区的推荐算法虽然对大数据集的处理能力有所提高,但都是基于单一的社区结构,因此推荐精度损失很大.针对这个问题,本文提出一种结合用户社区和评分联合社区的推荐模型,首先利用用户间的信任关系和相似性构造用户间的新的相似度,通过K-means算法进行用户社区的发现,以改善用户社区挖掘的效果;之后针对用户-项目评分矩阵中的用户和项目同时进行聚类,可以发现用户-项目的联合社区;最后将用户社区结构融入到面向联合社区的矩阵分解模型中.在Epinions数据集上与其他算法进行了对比实验,实验采用均方根误差（RMSE）和平均绝对误差（MAE）进行评价,结果表明改进算法相比其他传统算法在推荐准确率上有所提高,在保证一定推荐效率的同时提高了推荐的精度.