主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第9期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
吴 湖,王永吉,王 哲,王秀利,杜栓柱.两阶段联合聚类协同过滤算法.软件学报,2010,21(5):1042-1054
两阶段联合聚类协同过滤算法
Two-Phase Collaborative Filtering Algorithm Based on Co-Clustering
投稿时间:2009-05-07  修订日期:2009-10-19
DOI:
中文关键词:  协同过滤  推荐系统  联合聚类  非负矩阵分解
英文关键词:collaborative filtering  recommender system  co-clustering  NMF (non-negative matrix factorization)
基金项目:Supported by the National Natural Science Foundation of China under Grant Nos.60673022, 60673121 (国家自然科学基金); the State Key Laboratory of Computer Science Funding for Innovative Research of China under Grant No.CSZZ0808 (计算机科学重点实验 室自主研究课题)
作者单位
吴 湖 中国科学院 软件研究所 互联网软件技术实验室,北京 100190 中国科学院 研究生院,北京 100049 
王永吉 中国科学院 软件研究所 互联网软件技术实验室,北京 100190 中国科学院 软件研究所 计算机科学国家重点实验室,北京 100190 
王 哲 中国科学院 软件研究所 计算机科学国家重点实验室,北京 100190 中国科学院 研究生院,北京 100049 
王秀利 中央财经大学,北京 100081 
杜栓柱 中国科学院 软件研究所 互联网软件技术实验室,北京 100190 
摘要点击次数: 4977
全文下载次数: 7836
中文摘要:
      提出一种两阶段评分预测方法.该方法基于一种新的联合聚类算法(BlockClust)和加权非负矩阵分解算 法.首先对原始矩阵中的评分模式进行用户和物品两个维度的联合聚类,然后在这些类别的内部通过加权非负矩阵 分解方法进行未知评分预测.这种方法的优势在于,首阶段聚类后的矩阵规模远远小于原始评分矩阵,并且同一类别 内部的评分具有相似的模式,这样,在大幅度降低预测阶段计算量的同时又提高了非负矩阵分解算法在面对稀疏矩 阵预测上的准确度.进一步给出了推荐系统的3 种更新模式下如何高效更新预测模型的增量学习方法.在MovieLens数据集上比较了新算法及其他7种相关方法的性能,从而验证了该方法的有效性及其在大型实时推荐系 统中的应用价值.
英文摘要:
      This paper proposes a two-phase rating predicting framework that fuses co-clustering and non-negative matrix factorization method. First, it uses a novel co-clustering method (BlockClust) to divide the raw rating matrix into clusters much smaller than the original matrix. Then it employs weighted non-negative matrix factorization algorithm to predict the unknown ratings. In virtue of co-clustering preprocessing, this method achieves a higher predicting accuracy and efficiency on these low-dimensional and homogeneous sub-matrices. Moreover, it proposes three update schemes for the corresponding update scenarios in recommender systems. Finally, the proposed method is implemented together with seven types of related CF (collaborative filtering) methods. The comparisons show the efficiency of the proposed method and its potential in large real-time recommender systems.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利