论文部分内容阅读
针对传统协同过滤推荐算法中存在的数据稀疏性问题，提出了一种基于二分K—means的协同过滤推荐算法。该算法在K—means算法的基础上，为了降低初始质点选择对聚类结果的影响，在运行中逐个添加质点。首先初始化评分数据并将其作为初始簇，然后选择合适的簇随机产生两个质点将簇分裂为两个簇，重复上述步骤，直到聚类完成。最后为了降低不同用户评分标准差异，将用户评分的平均值和用户同簇内相互间的相似度相结合，计算预测评分矩阵，生成推荐结果。实验结果表明，改进后的算法较好地解决了数据稀疏问题，提高了推荐质量。