结合信任关系的用户聚类协同过滤推荐算法 $MAE = dfrac{{displaystylesum olimits_{i = 1}^n {{P_i} – {R_i}} }}{n}$ (20) 其中, n表示预测的项目个数, Pi表示预测的评分值, Ri表示真实的评分值. 5.3 实验结果与分析 实验1. 在聚类算法中, 首先需要确定好聚类的数值大小. 这里采取传统的用户聚类协同过滤算法进行实验, 其中迭代时计算用户间相似度采用原始的皮尔逊相关系数. 聚类数值从10增加到50, 查看对应的MAE值大小, 实验结果如图2所示. 图 2 Fig. 2 
图 2 不同聚类次数对应的MAE值 从图2可以看出MAE值的变化随着聚类数值的增大而缩小, 当K达到50时MAE有最低值, 这里考虑到算法效率问题, 选取聚类数为50进行后续实验. 实验2. 对于用户聚类迭代算法, 不容易判断何时聚类簇稳定, 因此需要考虑迭代次数对MAE的影响. 实验中设定相似度权重因子 $mu $ =0.5, 邻居个数设置N=10, 调整聚类迭代次数从1到10, 观察不同迭代次数对MAE的影响如图3所示. 从图中可看出当迭代次数从7开始MAE值保持稳定, 此时可以设定聚类簇达到稳定状态. 因此后续实验中, 设定迭代次数为7次. 图 3 Fig. 3 
图 3 不同迭代次数对应的MAE值 实验3. 该实验的目的是确定式(15)中权重因子 $mu $ 的取值, 实验中确设定迭代次数为7次, 邻居个数取值为10, 图4比较了当 $mu $ 取值在0–1之间时MAE的相应值. 图 4 Fig. 4 
图 4 不同权重因子对应的MAE值 从图4中可以看出, $mu $ 的值不宜过大或者过小, 当 $mu $ =0.6时, 即信任关系占据权重0.6, HS-P相似度算法占据权重0.4时, MAE有最低值, 此时推荐结果最准确. 实验4. 为了验证本文提出的结合信任关系的用户聚类协同过滤推荐算法(K-TUBCF), 实验选取了几个传统算法[10]比较它们的MAE值, 算法包括传统的基于用户的协同过滤算法(UBCF), 基于K-means聚类的协同过滤推荐算法(K-UBCF), 融入传统信任关系的协同过滤算法 (TUBCF), 融入用户喜好度到信任关系中的协同过滤算法(WTUBCF), 最终结合文献[8,10]的数据得出实验对比结果如图5所示. 从图5中可以看出, 这几种算法随着邻居个数的增加MAE值逐渐下降, 并且在邻居个数达到30时趋于稳定, 说明邻居个数N=30时会取得最好的推荐结果. 另外, 本文提出的算法在MAE值上明显低于之前的各类算法, 说明本文这种基于改进信任关系的用户聚类算法可以有效的提高算法准确度, 产生更准确的推荐结果. 图 5 Fig. 5 
图 5 不同算法之间的比较 6 结论 本文提出的结合信任关系的用户聚类协同过滤推荐算法, 在直接信任与间接信任两个层面上都做了一定改进, 并且有效的结合用户的属性特征. 另外, 对于传统的皮尔逊相似度忽略热点新闻的缺点进行了补充, 最后采用迭代的聚类算法求出最近邻从而得到更为准确的推荐结果. 实验也证明所提出的优化算法比之前的算法误差值更小. 但是文章没有考虑到时间对推荐的影响, 下一步将结合时间因子对推荐算法进行更详细的研究, 使其更加满足实际情况.
2024最新激活全家桶教程，稳定运行到2099年，请移步至置顶文章：https://sigusoft.com/99576.html
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。 文章由激活谷谷主-小谷整理,转载请注明出处：https://sigusoft.com/33831.html
