基于增量协同过滤和潜在语义分析的混合推荐算法

计算机工程与科学

基于增量协同过滤和潜在语义分析的混合推荐算法

刘辉1,2,3，万程峰1,2，吴晓浩1,2

（1.重庆邮电大学通信与信息工程学院，重庆 400065;2.重庆邮电大学通信新技术应用研究中心，重庆 400065;

3.重庆信科设计有限公司，重庆 401121）

收稿日期:2019-01-02 修回日期:2019-04-24 出版日期:2019-11-25 发布日期:2019-11-25

A hybrid recommendation model based on incremental

collaborative filtering and latent semantic analysis

LIU Hui1,2,3,WAN Cheng-feng1,2,WU Xiao-hao1,2

(1.School of Communication and Information Engineering,
Chongqing University of Posts and Telecommunications,Chongqing 400065;

2.Research Center of New Telecommunication Technology Applications,
Chongqing University of Posts and Telecommunications,Chongqing 400065;

3.Chongqing Information Technology Designing Co.Ltd.,Chongqing 401121,China)

Received:2019-01-02 Revised:2019-04-24 Online:2019-11-25 Published:2019-11-25

摘要/Abstract

摘要：

为了解决传统新闻推荐系统定期更新推荐算法不能根据用户喜好的变化进而动态地调整推荐列表的问题，提出了一种混合推荐算法(IULSACF)。该算法包含了2个关键部分：基于项目的增量更新协同过滤算法和基于关键词频率的潜在语义分析算法。该混合推荐算法在基于项目的增量更新协同过滤模块中，通过对项目相似度列表增量更新来动态地调整推荐列表，并结合潜在语义分析算法来确保所推荐文章的相关性。实验结果表明，所提出的IULSACF算法在各项评价指标上均优于传统的推荐方法。

Abstract:

Traditional news recommendation systems regularly update recommendation models, which cannot adjust recommendation lists dynamically according to the change of user preferences. In order to solve this problem, we propose a hybrid recommendation model (IULSACF). It includes two key parts: an item-based incremental update collaborative filtering algorithm and a key word frequency based latent sementic analysis algorithm. The hybrid recommendation model dynamically adjusts the recommendation list by incrementally updating the similarity list of items in the item-based incremental update collaborative filtering module, and combines the latent semantic analysis algorithm to ensure the relevance of recommended articles. Experimental results show that the proposed IULSACF algorithm is superior to traditional recommendation methods in all evaluation indexes.

Key words: news recommendation, incremental update, collaborative filtering, latent semantic analysis, item similarity

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.

LIU Hui1,2,3,WAN Cheng-feng1,2,WU Xiao-hao1,2.

A hybrid recommendation model based on incremental

collaborative filtering and latent semantic analysis

[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]	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.
[3]	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.
[4]	陈华烨, 汪海涛, 姜瑛, 陈星. 基于排序学习的构件检索方法的研究[J]. 计算机工程与科学, 2021, 43(06): 1006-101.
[5]	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.
[6]	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.
[7]	李增, 刘羽, 李诚诚. 基于用户行为的新闻推荐算法的研究[J]. 计算机工程与科学, 2020, 42(03): 529-534.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.