Библиографическое описание:A STUDY ON WEIGHTED COLLABORATIVE FILTERING RECOMMENDATION ALGORITHM BASED ON MULTI-CLUSTER HYBRIDIZATION : научное издание / Z. Ma, M. Gao. - Текст : непосредственный // Инновационная наука. - 2025. - №2-2. - P. 58-63. - ISSN 2410-6070.
Аннотация:Collaborative filtering algorithms, which predict items of interest to users by analyzing their preferences, are widely used and successful techniques in the current business field. However, the traditional collaborative filtering algorithm affects the accuracy of recommendation due to the problems of data sparsity and the need to predetermine the number of clusters for K-Means clustering. Aiming at the above problems, this paper proposes a collaborative filtering recommendation algorithm with multi-cluster fusion. First, the user-item scoring matrix is constructed; second, the nearest neighbor users of the item to be valued are found based on the user interest and preference matrix, and the sparse matrix within each cluster is filled using the Slope One algorithm to alleviate the problem of data sparsity; again, the Canopy algorithm is used to perform coarse clustering and the resulting centroids are used as the initial clustering points of the K-Means algorithm for fine clustering; Finally, the optimized collaborative filtering algorithm is used to predict the filled scoring matrix, and a time-weighted similarity formula is introduced. The experimental results show that the algorithm effectively improves the recommendation efficiency and quality.
Алгоритмы коллаборативной фильтрации, которые предсказывают интересующие пользователей товары, анализируя их предпочтения, широко используются и успешно применяются в современной бизнес-сфере. Однако традиционный алгоритм коллаборативной фильтрации влияет на точность рекомендаций из-за проблем нехватки данных и необходимости заранее определять количество кластеров для кластеризации K-Means. Для решения вышеуказанных проблем в данной статье предлагается алгоритм рекомендаций с коллаборативной фильтрацией и многокластерным объединением. Во-первых, строится матрица оценок пользователя и предмета; во-вторых, ближайшие соседи оцениваемого предмета находятся на основе матрицы интересов и предпочтений пользователей, а разреженная матрица внутри каждого кластера заполняется с помощью алгоритма Slope One для смягчения проблемы нехватки данных; Снова используется алгоритм Canopy для грубой кластеризации, а полученные центроиды используются в качестве начальных точек кластеризации алгоритма K-Means для тонкой кластеризации; Наконец, оптимизированный алгоритм коллаборативной фильтрации используется для прогнозирования заполненной матрицы оценок, и вводится формула сходства, взвешенная по времени. Экспериментальные результаты показывают, что алгоритм эффективно повышает эффективность и качество рекомендаций.
