论文部分内容阅读
基于内存的协作过滤算法主要利用用户对某站点项目的评分，计算2个用户之间的相似性，但该方法可扩展性差．基于模型的协作过滤算法通过训练数据预先计算出预测模型，弥补了上述方法的不足，但该模型没有考虑到个体的差异而限制了推荐的性能．在总结现有2种算法特点的基础上，提出一种新颖的协作过滤框架，它先从训练集中产生聚类．并以此为基础进行邻居预选择，再在预选择的邻居集合上使用基于内存的协作过滤算法．实验结果表明，该方法不仅提高了计算的效率，而且也提高了推荐的质量．