基于抽样近邻的协同过滤算法

吉林大学学报(理学版)

基于抽样近邻的协同过滤算法

董立岩¹, 刘晋禹¹, 蔡观洋¹, 李永丽^2

1. 吉林大学计算机科学与技术学院, 长春 130012； 2. 东北师范大学计算机科学与信息技术学院, 长春 130117

收稿日期:2014-05-14 出版日期:2014-07-26 发布日期:2014-09-26
通讯作者: 李永丽 E-mail:Liyl603@nenu.edu.cn

Collaborative Filtering Algorithm Based on Sampling Neighbor

DONG Liyan¹, LIU Jinyu¹, CAI Guanyang¹, LI Yongli^2

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;2. School of Computer Science and Technology, Northeast
Normal University, Changchun 130117, China

Received:2014-05-14 Online:2014-07-26 Published:2014-09-26
Contact: LI Yongli E-mail:Liyl603@nenu.edu.cn

摘要/Abstract

摘要：

针对实时推荐过程中实际数据的稀疏性, 满足条件的项目或用户较少, 导致推荐精度较低的问题, 提出一种采用抽样近邻的协同过滤算法. 该算法充分利用评分用户矩阵提供的信息, 增加了参与到预测评分计算过程中的用户或项目, 从而解决了传统协同过滤算法在实际应用中的不足. 实验结果表明, 在增加在线计算时间较少的情况下所给算法可有效提高推荐精度.

关键词: 协同过滤, 稀疏矩阵, 推荐精度, 近邻

Abstract:

Since the useritem matrix is sparse, and there are less users or items satisfying the conditions, the precision of the algorithm can’t be high. By sampling neighbor collaborative filtering algorithms, users take full advantage of score matrix provided information to increase the users or projects participated in the calculation process, so as to solve the shortage of traditional collaborative filtering algorithms in real application. Experiment results show that the new algorithm can effectively improve the precision in recommendation along a small increasing of runtime.

Key words: collaborative filtering, sparse matrix, precision of recommendation, neighbor

中图分类号:

TP301.6

董立岩, 刘晋禹, 蔡观洋, 李永丽. 基于抽样近邻的协同过滤算法[J]. 吉林大学学报(理学版), 2014, 52(04): 779-782.

DONG Liyan, LIU Jinyu, CAI Guanyang, LI Yongli. Collaborative Filtering Algorithm Based on Sampling Neighbor[J]. Journal of Jilin University Science Edition, 2014, 52(04): 779-782.

[1]	杜睿山, 芦博瑞, 孟令东, 江南, 张云柏. 基于自适应分层共享近邻的密度峰值聚类算法[J]. 吉林大学学报(理学版), 2026, 64(2): 359-0369.
[2]	王海燕, 焦增晨, 赵剑, 安天博, 鞠熠. 基于Bayes超参数优化梯度提升树的心脏病预测方法[J]. 吉林大学学报(理学版), 2025, 63(2): 472-0478.
[3]	董飒, 欧阳若川, 徐海啸, 刘杰, 刘大有, 李婷婷, 王鑫禄. 引入激活扩散的类分布关系近邻分类器[J]. 吉林大学学报(理学版), 2024, 62(4): 915-922.
[4]	张婷婷, 欧阳丹彤, 孙成林, 白洪涛. 融合协同过滤的神经Bandits推荐算法[J]. 吉林大学学报(理学版), 2024, 62(1): 92-0099.
[5]	王宏志, 张金栋, 胡黄水, 谢沛松. 基于感知Hash和极线约束的改进AKAZE算法[J]. 吉林大学学报(理学版), 2022, 60(3): 647-654.
[6]	刘军, 杨军, 宋姗姗. 基于用户购买意愿力的协同过滤推荐算法[J]. 吉林大学学报(理学版), 2021, 59(6): 1432-1438.
[7]	胡黄水, 姚美琴, 王亮, 韩优佳. 基于改进的AP和遗传算法的能量感知分簇路由协议[J]. 吉林大学学报(理学版), 2021, 59(6): 1525-1531.
[8]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[9]	何锴琦, 马宇骁, 张炎, 刘华虓. 一种基于数据的GitHub项目个性化混合推荐方法[J]. 吉林大学学报(理学版), 2020, 58(6): 1399-1406.
[10]	朵琳, 杨丙. 基于概念格的稀疏数据协同过滤校正自然噪声方法[J]. 吉林大学学报(理学版), 2020, 58(5): 1173-1180.
[11]	董立岩, 修冠宇, 马佳奇. 基于权重调节和用户偏好的协同过滤算法[J]. 吉林大学学报(理学版), 2020, 58(3): 599-604.
[12]	刘久彪. 空间数据库反向最近邻聚类方法[J]. 吉林大学学报(理学版), 2019, 57(2): 387-392.
[13]	赵珈玉, 陆冬梅. NSD样本最近邻密度估计的相合性[J]. 吉林大学学报(理学版), 2019, 57(2): 317-323.
[14]	董立岩, 王宇, 任怡, 李永丽. 基于矩阵分解和聚类的协同过滤算法[J]. 吉林大学学报(理学版), 2019, 57(1): 105-110.
[15]	薛小娜, 高淑萍, 彭弘铭, 吴会会. 基于K近邻和多类合并的密度峰值聚类算法[J]. 吉林大学学报(理学版), 2019, 57(1): 111-120.