文件名称：基于聚类和奖惩用户模型的协同过滤算法
文件大小：1.57MB
文件格式：PDF
更新时间：2024-05-26 05:52:38
聚类 协同过滤推荐 F1-score 激励/惩罚用户模型 皮尔逊相关系数
根据用户体验为其推荐感兴趣的项目是推荐系统中最重要的问题. 本文提出了一种新的易于实现的CBCF (Clustering-Based CF)算法, 该算法基于激励/惩罚用户(IPU)模型进行推荐. 本文旨在通过IPU模型深入研究用户间偏好的差异来提高准确率、召回率和F1-score方面的性能. 本文提出了一个约束优化问题, 目标是在给定的精度下最大限度地提高召回率(或F1-score). 为此, 根据实际评分数据和皮尔逊相关系数, 将用户分为若干用户簇, 然后根据同一用户簇的偏好倾向, 对每个项目进行奖励/处罚. 实验结果表明, 本文提出的算法在给定准确率的条件下, 召回率可以显著提高50%左右.