基于改进FCM的协同过滤推荐系统设计与实现

• 作 者: 李朋起
• 出 处: 南京邮电大学
• 发表日期: 2021年03期
• 关键词: 协同过滤 模糊C均值聚类算法 遗传算法 推荐系统

随着移动互联网,云计算,物联网等技术日渐成熟,数据量呈指数性爆炸,无论是信息的消费者还是信息的生产者都遇到了很大的挑战,推荐系统成为处理信息过载的重要手段。推荐系统目前已成功应用到电子商务、电影视频网站、在线音乐以及社交网络平台等各个领域。推荐系统中协同过滤推荐算法应用较为广泛,影响最为深远,却存在着稀疏性问题,冷启动问题以及扩展性问题。本文在推荐算法分析的基础上,提出了一种改进FCM的协同过滤推荐方法,实现数据聚合,解决数据稀疏性,提高推荐准确率。将提出的改进算法应用到基于FCM的混合推荐算法中。首先,数据预处理,得到目标评分数据,再结合用户评分和项目特征构建用户偏好特征矩阵,有效缓解数据稀疏性;其次,数据归一化处理,减少数据差异;然后,基于模糊C均值聚类算法对用户聚类分析,采用遗传聚类算法对初始聚类中心进行优化,防止模糊C均值聚类算法出现局部最优解,增强用户的聚类效果;再然后,提出一种混合方式计算用户相似度,将用户偏好信息的相似度与用户项目评分矩阵的相似度进行加权求和计算用户相似度,然后获取多个最近邻近矩阵;最后,考虑时间因素对用户兴趣的影响,改善用户兴趣变化对推荐效果的影响,提高推荐的质量。最终,提出一种基于FCM的混合推荐算法,并将该混合算法应用到协同过滤推荐系统中。实验结果表明,改进后算法提高了数据的聚合度,缓解了数据稀疏性。通过准确率和召回率证明改进后的混合推荐算法,提高了推荐的准确度。