基于蜂群K-means聚类模型的协同过滤推荐算法

计算机工程与科学

基于蜂群K-means聚类模型的协同过滤推荐算法

李艳娟，牛梦婷，李林辉

(东北林业大学信息与计算机工程学院，黑龙江哈尔滨 150040)

收稿日期:2018-08-13 修回日期:2018-10-19 出版日期:2019-06-25 发布日期:2019-06-25
基金资助:
国家自然科学基金(61300098)；中央高校基本科研业务费专项基金(2572017CB33)

A collaborative filtering recommendation algorithm

based on a bee colony K-means clustering model

LI Yanjuan,NIU Mengting,LI Linhui

(School of Information and Computer Engineering,Northeast Forestry University,Harbin 150040,China)

Received:2018-08-13 Revised:2018-10-19 Online:2019-06-25 Published:2019-06-25

摘要/Abstract

摘要：

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题，提出了一种基于改进蜂群Kmeans聚类模型的协同过滤推荐算法。首先，根据用户属性信息，
采用改进蜂群Kmeans算法对用户进行聚类，建立用户聚类模型；然后，计算目标用户与用户聚类模型中各聚类中心的距离，其中距离最近的类为目标用户的检索空间；最后，从检索空间中依据用户项目评分矩阵通过相似度计算搜索目标用户的最近邻居，由最近邻居的信息产生推荐列表。实验结果表明，该算法降低了平均绝对误差值，缩短了运行时间，提高了推荐质量和推荐效率。

关键词: 协同过滤, 用户聚类, 推荐系统, 蜂群算法

Abstract:

To address the problem of low recommendation quality and low recommendation efficiency of current collaborative filtering recommendation algorithms, we propose a collaborative filtering recommendation algorithm based on an improved bee colony K-means clustering model. Firstly, based on user attribute information, the algorithm uses the improved bee colony K-means algorithm to cluster users and establish a user clustering model. Secondly, we calculate the distance between target users and the clustering center in the user clustering model, and the cluster with the minimal distance is taken as the retrieval space of active users. Finally, we search the nearest neighbor of the target user by the similarity calculation according to the useritem scoring matrix, and generate a recommendation list via the information of the nearest neighbor. Experimental results show that the proposed algorithm can achieve lower MAE and shorter running time, and it can enhance the quality and efficiency of recommendation.

Key words: collaborative filtering, user clustering, recommendation system, bee colony algorithm

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.

LI Yanjuan,NIU Mengting,LI Linhui.

A collaborative filtering recommendation algorithm

based on a bee colony K-means clustering model

[J]. Computer Engineering & Science.

[1]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[2]	高玮蔚, 刘杨, 马慧芳, 唐月晨. 基于增强偏好影响力的图注意力网络推荐算法[J]. 计算机工程与科学, 2023, 45(07): 1300-1307.
[3]	王玫申, 张鹏, 薛乐洋, . 基于二分网络的长期推荐[J]. 计算机工程与科学, 2023, 45(04): 691-700.
[4]	罗可劲, 刘广聪, 杨文浩. 基于多任务学习的图神经网络推荐模型研究[J]. 计算机工程与科学, 2023, 45(04): 726-733.
[5]	张若一, 金柳, 马慧芳, 王亦可, 李清风. 融合相似用户影响效应的知识图谱推荐模型[J]. 计算机工程与科学, 2023, 45(03): 520-527.
[6]	邹程辉, 李卫疆, . 融合知识图谱和评论文本的个性化推荐模型[J]. 计算机工程与科学, 2023, 45(01): 181-190.
[7]	陈奉贤. 基于NR-Transformer的集群作业运行时间预测[J]. 计算机工程与科学, 2022, 44(07): 1181-1190.
[8]	贾俊杰, 姚叶旺, 陈旺虎. 基于非负矩阵分解的群组推荐算法[J]. 计算机工程与科学, 2022, 44(05): 933-943.
[9]	贾俊杰, 段超强. 基于评分离散度的托攻击检测算法[J]. 计算机工程与科学, 2022, 44(03): 554-562.
[10]	庄鹤林, 杨火根, 夏小云, 廖伟志. 关于矩阵乘法问题的人工蜂群优化算法研究[J]. 计算机工程与科学, 2021, 43(12): 2131-2138.
[11]	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.
[12]	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.
[13]	顾军华, 佘士耀, 樊帅, 张素琪. 基于用户长短期兴趣与知识图卷积网络的推荐[J]. 计算机工程与科学, 2021, 43(03): 511-517.
[14]	陈海涵, 吴国栋, 李景霞, 王静雅, 陶鸿. 基于注意力机制的深度学习推荐研究进展[J]. 计算机工程与科学, 2021, 43(02): 370-380.
[15]	杨丰瑞, 李前洋, 罗思烦, . 一种基于降噪自编码器的隐式反馈推荐算法[J]. 计算机工程与科学, 2020, 42(08): 1500-1505.