基于多源信息聚类和IRC-RBM的混合推荐算法

计算机工程与科学

基于多源信息聚类和IRC-RBM的混合推荐算法

何登平1,2,3，张为易1,2，黄浩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:2019-07-28 修回日期:2019-09-25 出版日期:2020-06-25 发布日期:2020-06-25

A hybrid recommendation algorithm based on

multi-source information clustering and IRC-RBM

HE Deng-ping1,2,3,ZHANG Wei-yi1,2,HUANG 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:2019-07-28 Revised:2019-09-25 Online:2020-06-25 Published:2020-06-25

摘要/Abstract

摘要：

针对协同过滤存在的数据稀疏性问题，提出了融合多源信息聚类和IRC-RBM的混合推荐算法。首先以用户信任度和项目时间权重作为聚类依据，利用最小生成树的K-means聚类算法对用户进行聚类分析，生成K个相似用户集合，在聚类分析的基础上进行评分预测；最后通过线性加权的方式，把聚类后评分矩阵和IRC-RBM模型生成的评分矩阵进行加权融合，用Top-N进行推荐。实验结果表明，相比较传统的推荐算法，该混合算法在准确率上有了显著的提升。

关键词: 多源信息, 聚类, 受限玻尔兹曼机, 混合推荐

Abstract:

To solve the problem of data sparsity in collaborative filtering, this paper proposes a hybrid recommendation algorithm combining multi-source information clustering and IRC-RBM. Firstly, this algorithm takes user trust and project time weight as the clustering basis, uses the K-means clustering algorithm of minimum spanning tree to carry out clustering analysis on users, generates K similar user sets, and conducts scoring prediction on the basis of clustering analysis. Finally, the scoring matrix after clustering and the scoring matrix generated by IRC-RBM model are weighted and fused by linear weighting, and Top-N is used for recommendation. Experimental results show that the proposed hybrid recommendation algorithm significantly improves the accuracy in comparison to the traditional recommendation algorithm.

Key words: multi-source information, clustering, restricted Boltzmann machine, hybrid recommendation

何登平1,2,3，张为易1,2，黄浩1,2. 基于多源信息聚类和IRC-RBM的混合推荐算法[J]. 计算机工程与科学.

HE Deng-ping1,2,3,ZHANG Wei-yi1,2,HUANG Hao1,2.

A hybrid recommendation algorithm based on

multi-source information clustering and IRC-RBM

[J]. Computer Engineering & Science.

[1]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(07): 1218-1228.
[2]	宋鑫海, 韩京宇, 郎杭, 毛毅. 滑动窗口投票策略的QRS波群形态识别[J]. 计算机工程与科学, 2024, 46(02): 272-281.
[3]	钟卓辉, 陈黎飞, . 基于模型的非凸聚类算法[J]. 计算机工程与科学, 2024, 46(02): 292-302.
[4]	肖振国, 陈林书, 孙少杰, 梅本霞, 柳媛慧, 赵磊. 基于代数粒的聚类方法[J]. 计算机工程与科学, 2024, 46(01): 150-158.
[5]	王若宾, 耿芳东, 张永梅, 宋威, 王伟锋, 徐琳. 基于改进自适应DBSCAN的混合式MOOC视频观看模式挖掘[J]. 计算机工程与科学, 2023, 45(09): 1670-1678.
[6]	李帅, 常锦才, 李吕牧之, 蔡昆杰, . 基于差分隐私保护的Stacking集成聚类算法研究[J]. 计算机工程与科学, 2022, 44(08): 1402-1408.
[7]	李兰, 刘杰, 张洁. 基于YOLOv4改进算法的复杂行人检测模型研究[J]. 计算机工程与科学, 2022, 44(08): 1449-1456.
[8]	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.
[9]	庞兴龙, 朱国胜, 杨少龙, 李修远. 一种基于聚类与噪声的网络流量分类方法[J]. 计算机工程与科学, 2022, 44(07): 1207-1215.
[10]	黄志强, 李军, 张世义. 基于轻量级神经网络的目标检测研究[J]. 计算机工程与科学, 2022, 44(07): 1265-1272.
[11]	刘榕, 伍欣, 敖斌, 文青, 李宽. 用于CD56图像分割的细胞标注精细化与自适应加权损失[J]. 计算机工程与科学, 2022, 44(05): 870-878.
[12]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[13]	袁泉, 晏飞扬, 文志云, 张振康, . 基于谱聚类的社交网络差分隐私保护算法研究[J]. 计算机工程与科学, 2022, 44(02): 251-256.
[14]	许光宇, 丁健. 基于特征聚类的大视差图像拼接算法 [J]. 计算机工程与科学, 2022, 44(02): 283-290.
[15]	沈郭鑫, 蒋中云. 基于密度和中心指标的Canopy二分K-均值算法优化[J]. 计算机工程与科学, 2022, 44(02): 372-380.