您的位置:网站首页 > 《中文科技期刊数据库》 > 工程技术 > 自动化计算机 > 计算机软件 > 摘要

基于图和改进K近邻模型的高效协同过滤推荐算法

《计算机研究与发展》2017年 第7期 | 孟桓羽 刘真 王芳 徐家栋 张国强   北京交通大学计算机与信息技术学院 北京100044 北京交通大学信息中心 北京100044 南京师范大学计算机科学与技术学院 南京210023
  • 第1页
  • 第2页
  • 第3页
  • 第4页
论文服务:
摘 要:在互联网高速发展的今天,推荐系统已成为解决信息过载的有效手段,能够缓解用户在筛选感兴趣信息时的困扰,帮助用户发现有价值的信息.推荐系统中的协同过滤推荐算法,因其领域无关性及支持用户发现潜在兴趣的优点被广泛应用.由于数据的规模过大且稀疏的特点,当前协同过滤在算法实时性、推荐精确度等方面仍有较大提升空间.提出了GKCF方法,通过建立基于图的评分数据模型,将传统的协同过滤算法与图计算及改进的KNN算法结合.通过图的消息传播及改进的相似度计算模型对用户先进行筛选再做相似度计算;以用户一项目二部图的节点结构为基础,通过图的最短路径算法进行待评分项目的快速定位.在此基础上,进一步通过并行图框架对算法进行了并行化实现及优化.在物理集群环境下进行了实验,结果表明,与已有的协同过滤算法相比,提出的GK—CF算法能够很好地提高推荐的准确度和评分预测的准确性,并具有较好的算法可扩展性和实时性能.
【分 类】【工业技术】 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机软件 > 程序设计、软件工程 > 程序设计 > 数据库理论与系统
【关键词】 协同过滤 社会网络 图模型 K近邻 最短路径
【出 处】 《计算机研究与发展》2017年 第7期 1426-1438页 共13页
【收 录】 中文科技期刊数据库