基于并行化谱聚类的协同推荐算法研究

doi:10.3969/j.issn.0253-2778.2016.01.011

中国科学技术大学学报 ›› 2016, Vol. 46 ›› Issue (1): 82-86.DOI: 10.3969/j.issn.0253-2778.2016.01.011

• 论著 • 上一篇

基于并行化谱聚类的协同推荐算法研究

郑修猛，陈福才，黄瑞阳

国家数字交换系统工程技术研究中心，郑州 450002

收稿日期:2015-08-27 修回日期:2015-09-29 接受日期:2015-09-29 出版日期:2015-09-29 发布日期:2015-09-29
通讯作者: 陈福才
作者简介:郑修猛,男, 1989年生,硕士生. 研究方向：数据挖掘、推荐系统. E-mail：zhengxiumeng@163.com
基金资助:
国家自然科学基金（61171108），国家重点基础研究发展（973）计划（2012CB315901，2012CB315905），国家科技支撑(863)计划（2014BAH30B01）资助.

Research on collaborative recommendation algorithms based on parallel spectral clustering

ZHENG Xiumeng, CHEN Fucai, HUANG Ruiyang

China National Digital Switching System Engineering＆ Technological R＆D Center，Zhengzhou 450002，China

Received:2015-08-27 Revised:2015-09-29 Accepted:2015-09-29 Online:2015-09-29 Published:2015-09-29

摘要/Abstract

摘要： 随着大规模网络数据的增加，可扩展性成为推荐系统的一个关键因素，为此提出一种基于并行化谱聚类的协同推荐算法.首先通过并行化改进的谱聚类方法对项目进行聚类；然后在基于用户的协同推荐算法基础上，结合已聚类的项目打分信息，提出一种改进的相似用户计算方法，并进行推荐；最后在数据集上进行测试.结果表明，该算法可以有效降低时间复杂度，推荐精确度和推荐效率也有显著提高.

关键词: 推荐系统, 协同过滤, 并行, 谱聚类

Abstract: With the increase of large-scale network data, scalability has become a key factor in the recommendation system. A new collaborative recommendation algorithm is thus based on MapReduce parallel spectral clustering was proposed. First, items are clustered using the improved parallel spectral clustering method; Then, based on the user collaborative recommendation algorithm and combined with the clustered items’ ratings, an improved calculation method for similar users is proposed to establish recommendation. The test results on the dataset show that the proposed algorithm can effectively reduce time complexity, which significantly improving its accuracy and efficiency.

Key words: recommendation system, collaborative filtering, parallel, spectral clustering

中图分类号:

TP18

郑修猛，陈福才，黄瑞阳. 基于并行化谱聚类的协同推荐算法研究[J]. 中国科学技术大学学报, 2016, 46(1): 82-86.

ZHENG Xiumeng, CHEN Fucai, HUANG Ruiyang. Research on collaborative recommendation algorithms based on parallel spectral clustering[J]. Journal of University of Science and Technology of China, 2016, 46(1): 82-86.

参考文献

［1］
罗辛, 欧阳元新, 熊璋, 等. 通过相似度支持度优化基于K近邻的协同过滤算法[J]. 计算机学报, 2010, 33(8): 1437-1445.
Luo X, Ouyang Y X, Xiong Z, et al. The effext of similarity in K-nearest-neighborhood based collaborative filtering[J]. Chinese Journal of Computers, 2010, 33(8): 1437-1445.
[2] 范波, 程久军. 用户间多相似度协同过滤推荐算法[J]. 计算机科学, 2012, 39(1): 23-26.
Fan B, Cheng J J. Collaborative filtering recommendation algorithm based on user’s multi-similarity[J]. Computer Sceience, 2012, 39(1): 23-26.
[3] LiuH F, Hu Z, Mian A, et al. A new user similarity model to improve the accuracy of collaborative filtering[J]. Knowledge-Based Systems, 2014, 56(1): 156-166.
[4] 荣辉桂, 火生旭, 胡春华, 等. 基于用户相似度的协同过滤推荐算法[J]. 通信学报, 2014, 35(2): 16-24.
Rong H G, Huo S X, Hu C H, et al. User similarity-based collaborative filtering recommendation algorithm[J]. Journal of Communications, 2014, 35(2): 16-24.
[5] 李华, 张宇, 孙俊华. 基于用户模糊聚类的协同过滤推荐研究[J]. 计算机科学, 2012, 39(12): 83-86.
Li H, Zhang Y, Sun J H. Research on collaborative filtering recommendation based on user fuzzy clustering[J]. Computer Science,2012, 39(12): 83-86.
[6] Ren X, Liu J L, Yu X, et al. ClusCite: Effective citation recommendation by information network-based clustering[C]// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, USA: ACM Press, 2014: 821-830.
[7] Zhang D Q, Hsu C H, Chen M, et al. Cold-start recommendation using bi-clustering and fusion for large-scale social recommender systems[J]. IEEE Transactions on Emerging Topics in Computing, 2014, 2(2): 239-250.
[8] Gong S J. A collaborative filtering recommendation algorithm based on user clustering and item clustering[J]. Journal of Software, 2010, 5(7): 745-752.
[9] von Luxburg U. A tutorial on spectral clustering[J]. Statistics and Computing, 2007, 17(4): 395-416.
[10] White T. Hadoop: The Definitive Guide[M]. New York: O'Reilly Media, 2012.







[1]	任敏，许玲，王峰，吴超. 基于知识推荐的校园百科平台研究[J]. 中国科学技术大学学报, 2020, 50(8): 1072-1076.
[2]	王根生，潘方正. 融合语义相似度的协同过滤推荐算法[J]. 中国科学技术大学学报, 2019, 49(10): 835-841.
[3]	鲁亚男，杜东舫. 基于成对交互张量分解的标签推荐[J]. 中国科学技术大学学报, 2019, 49(1): 31-39.
[4]	陈锋，张智，李琴剑，陈宇强，陈国良. FCD大数据并行处理的动态任务调度算法[J]. 中国科学技术大学学报, 2018, 48(9): 718-722.
[5]	方建生，许言午，蔡瑞初，秦艳. 一种基于Skill-LFM的知识点推荐方法[J]. 中国科学技术大学学报, 2018, 48(9): 755-761.
[6]	蔡勇，陈红梅，. MapReduce环境下基于概念分层的概念格并行构造算法[J]. 中国科学技术大学学报, 2018, 48(4): 275-283.
[7]	唐风琴，2，丁文文. 基于谱聚类带有节点特征的社区发现算法[J]. 中国科学技术大学学报, 2018, 48(2): 162-173.
[8]	朱一波，鲍培明，吉根林. 一种用户频繁移动模式并行挖掘算法[J]. 中国科学技术大学学报, 2018, 48(1): 57-64.
[9]	李雅美，王昌栋. 基于标签的个性化旅游推荐[J]. 中国科学技术大学学报, 2017, 47(7): 547-555.
[10]	徐雪丽，赵学靖. 稀疏谱聚类算法在高维数据上的应用[J]. 中国科学技术大学学报, 2017, 47(4): 311-319.
[11]	郭景，陈贤富. 基于OpenCL的加速鲁棒特征算法并行实现[J]. 中国科学技术大学学报, 2017, 47(10): 808-816.
[12]	张辉，赵静. 基于朝向对比度的无监督边界检测算法[J]. 中国科学技术大学学报, 2017, 47(1): 26-31.
[13]	李强，何兴盛，傅忠谦. 基于用户及物品间差异的推荐算法研究[J]. 中国科学技术大学学报, 2016, 46(2): 113-119.
[14]	郭晓波，赵书良，牛东攀，王长宾，逄焕利. 一种解决稀疏数据和冷启动问题的组合推荐方法[J]. 中国科学技术大学学报, 2015, 45(10): 804-812.
[15]	谢青，彭威，柳瑶阁，黄涛，卢德唐. 改进的储层直接取样随机模拟方法及GPU实现[J]. 中国科学技术大学学报, 2013, 43(8): 626-630.

基于并行化谱聚类的协同推荐算法研究

Research on collaborative recommendation algorithms based on parallel spectral clustering

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价