改进的协同过滤算法在资源推荐系统中的应用研究
2018-09-29刘鑫李世杰廖逸文
科技传播 2018年18期
刘鑫 李世杰 廖逸文
摘 要 文章研究了常用的推荐系统模型及协同过滤推荐算法,综合讨论分析了协同过滤算法应用于资源推荐时存在的问题,提出了一种改进的协同过滤推荐算法,根据输入的用户属性特征等信息,使用相似性计算公式获得相似用户群,建立最佳的邻居集合,解决传统算法中的冷启动问题,同时利用k-means聚类降低用户寻找最近邻所消耗的时间,解决了资源过载而带来的速度瓶颈问题。
关键词 协同过滤算法;资源推荐;k-means聚类
中图分类号 TP3 文献标识码 A 文章编号 1674-6708(2018)219-0155-02
近年来,Internet技术的飞速发展和个性化推荐系统开发技术的不断成熟,学生可以在网络上查阅的资源数量越来越多,范围越来越广泛,对于如此庞大的网络资源,学生想要快速的找到自己真正需要的资源却越发困难。利用个性化推荐算法,可以摆脱网络资源过载问题,高效且精准把所需要的资源推送给学生,然而,针对学生提供的个性化学习资源推荐系统却不常见。大多网络资源个性化推荐系统仅仅是将大量的学习资源按照一定的排序方式简单的罗列在一起,学生用户需要时还需要自己进行关键字检索,效率低且不利于在线学习模式的发展。
文章针对新用户新项目在推荐系统初始时存在冷启动问题,评分数据稀疏也导致了推荐精度下降的现象,提出了利用k-means聚类算法首先根据用户属性对用户分类,再结合协同过滤的个性化推荐思想,设计了改进的协同过滤算法,并应用在我校的学习交流系统中的资源推荐模块中,提高了个性化学习资源推荐的效率和精度。……
登录APP查看全文
