基于K-means的矩阵分解推荐算法

2020-01-13张荣梅

智能计算机与应用 2020年1期

张荣梅, 陈彬, 张琦

(河北经贸大学信息技术学院, 石家庄 050061)

0 引言

当下，随着大数据时代的来临，信息资源过度膨胀，形成了“信息爆炸”的现象。为了缓解这种情况带来的信息过载、数据冗余、选择困难等问题，越来越多的专家学者已然开始关注起推荐系统领域的研究。推荐系统是通过分析用户的历史数据，以及项目等其它辅助信息，推测出用户潜在的偏好需求，进而为用户提供个性化的项目推荐。常见的传统推荐技术是基于内容的算法、基于协同过滤的算法及混合算法[1]。其中，协同过滤算法应用较为广泛，Goldberg等人[2]于1992年提出了协同过滤的概念，最初应用在Tapestry System上用于过滤电子邮件。这是通过引入其它用户的兴趣来对当前用户进行推荐，只是涉及用户的历史交易记录，而不依赖用户和项目的属性特征。但协同过滤算法存在数据稀疏[3]和冷启动问题[4]。于洪等人[5]为了更好地解决物品冷启动问题，提出了一种附加用户时间权重的算法，对用户评论时间与项目发布时间加以计算研究，但由于很多标准数据集中缺少时间戳的属性，其作用范围有限。针对于此，为了改进协同过滤算法，本文将K-means聚类算法与矩阵分解技术相结合，提出一种基于K-means的矩阵分解推荐算法(Matrix Decomposition Based on K-means，KMMD)，引入了用户属性信息，在提高推荐精度的同时，有效改善用户冷启动问题。