基于模糊聚类的多视图协同过滤推荐算法

传统的协同过滤推荐算法在面对多源异构数据时推荐效果差、执行效率低，且难以挖掘用户的关键行为。针对这种情况，提出基于模糊聚类的多视图协同过滤推荐算法。该算法旨在收集用户的多种行为偏好来构建多视图数据，并通过对每种行为进行加权来挖掘多种行为之间的关联信息，提取关键行为信息，进而提升推荐效果。为提高推荐结果的精确度，利用多个视图的行为权重和偏好值，提出项目的加权相似性度量方法，同时引入项目同现矩阵以进一步提高相似性度量的准确性。为优化相似项目的搜索空间，结合多视图聚类的思想，在传统模糊聚类方法的基础上引入质心约束和最大熵理论，提出一种基于质心约束的多视图熵加权模糊聚类算法。此外，为提高算法对非线性数据的处理能力，引入核映射技术将线性不可分的低维特征映射到高维核空间使其变得线性可分，从而提出一种基于质心约束的多视图加权核模糊聚类算法。在与较先进的基于聚类的协同过滤推荐算法的比较实验中，所提算法的平均绝对误差提升了1.95百分点，召回命中率提升了1.54百分点。实验结果表明，所提算法有效地提升了推荐结果的命中率和准确性。