论文部分内容阅读
用户踪迹估测对于智能产品的偏好预测,数据推荐,以及服务优化等方面有重要意义,由于输入数据的严重稀疏特性,现有矩阵分解方法很难全面准确提取出用户踪迹信息。提出了基于聚类操作的融合协同过滤推荐方法。方法首先针对输入矩阵的稀疏特性,利用拉普拉斯变换与归一化处理,将输入矩阵转换为求解最小特征矩阵,并完成聚类处理。然后针对余弦距离计算相似度时可能产生的偏差,引入结构因子,同时分析了用户踪迹与时间关系,引入时间因子与时间间隔因子,根据衰减系数控制不同时期数据的影响度。最后为提高聚类数据的利用率,引入隐式反馈,利