基于NKL和K-means聚類的協(xié)同過濾推薦算法

李順勇， 張鈺嘉， 張海玉

（1.山西大學(xué)數(shù)學(xué)科學(xué)學(xué)院，太原 030006； 2.山西大學(xué)新聞學(xué)院，太原 030006）

協(xié)同過濾（Collaborative Filtering）是一種有效的推薦技術(shù)，該技術(shù)通過找出與被推薦用戶喜好相近的一組用戶，然后把該組用戶喜好的項目推薦給被推薦用戶. 協(xié)同過濾技術(shù)由于其推薦資源廣、算法較為簡單、易于實現(xiàn)等優(yōu)勢，在電子商務(wù)、客戶研究、廣告投遞等方面有著較為廣泛的應(yīng)用［1-2］.

1 NKL-KM算法

基于上述分析，本文提出了一種基于NKL 和K-means 聚類的協(xié)同過濾推薦算法（NKL-KM），該算法分為三個步驟：首先，基于NKL度量法計算item之間的相似性；其次，根據(jù)K-means算法將item分成k個類；最后，得到Top-n列表.

1.1 NKL相似性度量法

③KLSim(i,j)沒有考慮到具體評分值對計算相似性度量時的影響，評1分和5分用戶所表達(dá)的感情是截然不同的. 因此，本文在式（1）的基礎(chǔ)上，引入?yún)?shù)λ、α、β 得到式（2），計算式為

式（2）有以下屬性：

1.2 K-means算法［15］

為提高推薦算法精度，本文將K-means算法與CF算法相結(jié)合，基于1.1提出的NKL相似性度量法，提出了一種基于NKL和K-means聚類的協(xié)同過濾推薦算法.

定義1［15］數(shù)據(jù)的分類標(biāo)準(zhǔn)為：

K-means算法具體過程見算法1.

算法1［15］K-means算法

Step4 重復(fù)Step2～Step3至簇中心不再變化為止.

得到C={ }C1,C2,C3,…,Ck后，就可以對目標(biāo)項目進(jìn)行項目評分預(yù)測，預(yù)測具體步驟如1.3所示.

1.3 項目評分預(yù)測

綜上，一種基于NKL和K-means聚類的協(xié)同過濾推薦算法具體步驟如算法2所示.

算法2 NKL-KM算法

輸出：Top-n推薦列表.

Step4 重復(fù)Step2～Step3至簇中心不再變化為止；

Step6 根據(jù)式（5）計算用戶u對i的評分，挑選出預(yù)測分?jǐn)?shù)最高的n個項目組成Top-n推薦列表.

2 仿真實驗

2.1 數(shù)據(jù)集的選擇

本文選取MovieLens［16］和Netflix數(shù)據(jù)集……