基于多项式有限混合模型的Slope One算法改进

J4 ›› 2016, Vol. 38 ›› Issue (04): 761-767.

基于多项式有限混合模型的Slope One算法改进

陈平华1,王旭彬1,洪英汉2

（1.广东工业大学计算机学院,广东广州 510006;2.韩山师范学院,广东潮州 521000）

收稿日期:2015-01-29 修回日期:2015-07-10 出版日期:2016-04-25 发布日期:2016-04-25
基金资助:
广东省教育部产学研结合项目(2012B091100003,2012B091000058)；广东省专业镇中小微企业服务平台建设项目(2012B040500034)

An improved Slope One algorithm based on
multinomial finite mixture model

CHENG Pinghua１,WANG Xubin１,HONG Yinghan2

(1.School of Computers,Guangdong University of Technology,Guangzhou 510006;
2.Hanshan Normal University,Chaozhou 521000,China)

Received:2015-01-29 Revised:2015-07-10 Online:2016-04-25 Published:2016-04-25

摘要/Abstract

摘要：

针对多项式有限混合模型参数估计过程中存在的初始化依赖、参数易收敛到边界值以及容易陷入局部最优等问题，引入了最小信息长度准则，优化多项式有限混合模型的参数估计过程。在此基础上，采用基于多项式有限混合模型的聚类算法对用户评分行为进行聚类，利用模型求解得到的聚类归属概率对Slope One算法实施改进。实验结果表明：应用最小信息长度准则对多项式有限混合模型进行优化后，聚类效果明显提高；同时，相比于基于用户聚类的Slope One推荐算法，改进算法具有明显的改进效果。

关键词: 有限混合模型, Slope One, 基于模型聚类, 协同过滤

Abstract:

The problems of the multinomial finite mixture model such as initialization dependence, the boundary of the parameter space and the local optimum are solved with the minimal message length criterion in this paper. We propose a multinomial finite mixture model based algorithm and apply it to clustering the behavior data of user ratings. Besides, the probability of class belonging is used to improve the Slope One algorithm. Experimental results prove that the new clustering algorithm does a better job on clustering behavior data and the new recommendation algorithm outperforms several other recommendation algorithms.

Key words: finite mixture model;Slope One;modelbased clustering;collaborative filtering

陈平华1,王旭彬1,洪英汉2. 基于多项式有限混合模型的Slope One算法改进[J]. J4, 2016, 38(04): 761-767.

CHENG Pinghua１,WANG Xubin１,HONG Yinghan2. An improved Slope One algorithm based on
multinomial finite mixture model [J]. J4, 2016, 38(04): 761-767.

参考文献［13］

［1］	Lü L,Medo M,Yeung C H,et al. Recommender systems［J］. Physics Reports,2012,519(1):149.
［2］	Cheng Fei,Jia Caiyan. An improved collaborative filtering algrothm based on user similarity［J］. Computer Engineering & Science,2013,35(5):161165. (in Chinese)
［3］	Leng Yajun,Lu Qing,Liang Changyong. Survey of recommendation based on collaborative filtering［J］. Pattern Recognition & Artificial Intelligence,2014,27(8):720734. (in Chinese)
［4］	Lemire D,Maclachlan A. Slope one predictors for online ratingbased collaborative filtering［C］∥Proc of SDM, 2005:15.
［5］	Mi Zhenzhen. Study and application of collaborative filtering in recommender systems［D］. Hangzhou:Zhejiang University,2012. (in Chinese)
［6］	Mi Zhenzhen, Xu Congfu. A recommendation algorithm combining clustering method and Slope One scheme［C］∥Proc of ICIC’11,2012:160167.doi:10.1007/978364224553423.
［7］	Wang J,Lin K,Li J. A collaborative filtering recommendation algorithm based on user clustering and Slope One scheme［C］∥Proc of the 8th International Conference on Computer Science & Education (ICCSE),2013:14731476.
［8］	Zhang D J. An itembased collaborative filtering recommendation algorithm using Slope One scheme smoothing［C］∥Proc of the 2nd International Symposium on Electronic Commerce and Security(ISECS’09), 2009:215217.
［9］	Fraley C,Raftery A E. Modelbased clustering,discriminant analysis,and density estimation［J］. Journal of the American Statistical Association,2011,97(458):611631.
［10］	Melnykov V,Maitra R. Finite mixture models and modelbased clustering［J］. Statistics Surveys,2010(4):80116.
［11］	Figueiredo M A T,Jain A K. Unsupervised learning of finite mixture models［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(3):381396.
［12］	Yu Chengwen, Guo Lei. Robust clustering based on finite mixtures t distribution［J］. Computer Science,2007,34(5):190193. (in Chinese)
［13］	Hu Qinghui, Ding L X,Lu Y J,et al. Rapid robust clustering algorithm for Gaussian finite mixture model［J］. Computer Science,2013,40(8):191195. (in Chinese)
［14］	Chen C,Forbes F,Francois O. Fastruct:Modelbased clustering made faster［J］. Molecular Ecology Notes,2006,6(4):980983.
［15］	McLachlan G, Peel D. Finite mixture models［M］. New York:John Wiley & Sons,2004.
	附中文参考文献：
［2］	程飞,贾彩燕. 一种基于用户相似性的协同过滤推荐算法［J］. 计算机工程与科学,2013,35(5):161165.
［3］	冷亚军,陆青,梁昌勇. 协同过滤推荐技术综述［J］. 模式识别与人工智能,2014,27(8):720734.
［5］	弭真真. 推荐系统中协同过滤算法的研究及应用［D］. 杭州：浙江大学,2012.
［12］	余成文,郭雷. 基于有限混合多变量t分布的鲁棒聚类算法［J］. 计算机科学,2007,34(5):190193.
［13］	胡庆辉,丁立新,陆玉靖,等. 一种快速,鲁棒的有限高斯混合模型聚类算法［J］. 计算机科学,2013,40(8):191195.

[1]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[2]	陈海龙, 闫五岳, 孙海娇, 程苗. 标签扩展的协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(10): 1826-1832.
[3]	张瑞典，钱晓东. 用余弦相似度修正评分的协同过滤推荐算法[J]. 计算机工程与科学, 2020, 42(06): 1096-1105.
[4]	袁泉1,2,3,成振华1,2,江洋1,2. 基于知识图谱和协同过滤的电影推荐算法研究[J]. 计算机工程与科学, 2020, 42(04): 714-721.
[5]	宋月亭, 吴晟. 基于相似度优化和流形学习的协同过滤算法改进研究[J]. 计算机工程与科学, 2020, 42(02): 351-357.
[6]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[7]	刘辉1,2,3，万程峰1,2，吴晓浩1,2. 基于增量协同过滤和潜在语义分析的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2033-2039.
[8]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[9]	刘国丽，白晓霞，廉孟杰，张斌. 基于专家信任的协同过滤推荐算法改进研究[J]. 计算机工程与科学, 2019, 41(10): 1846-1853.
[10]	吴浩1，王晓晨1，曾诚1,2，何鹏1,2. 基于异质用户网络嵌入的服务推荐方法研究[J]. 计算机工程与科学, 2019, 41(07): 1244-1250.
[11]	李艳娟，牛梦婷，李林辉. 基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(06): 1101-1109.
[12]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.
[13]	刘井平，李平. 一种模糊认知的协同过滤算法[J]. 计算机工程与科学, 2018, 40(05): 898-905.
[14]	罗斌，陈翔. 幂律特性在新浪微博个性化推荐中的应用研究[J]. 计算机工程与科学, 2018, 40(04): 731-739.
[15]	高长元1,2，黄凯1，王京1,2,张树臣1,2. 基于商品属性值和用户特征的协同过滤推荐算法[J]. 计算机工程与科学, 2017, 39(12): 2333-2339.