融合用户兴趣波动时序的个性化推荐模型

TP391; [目的]构建基于项目类别的神经网络与模糊聚类混合时序预测模型,结合用户兴趣波动幅度的趋势以提升推荐准确度.[方法]对不同幅度的兴趣波动分别采用神经网络和模糊聚类的方法构建趋势预测模型.本文采用神经网络对小幅波动序列数据进行滑动特征提取并预测,而大幅波动序列数据则通过模糊聚类的隶属度划分模糊关系.[结果]通过4组数据的仿真实验,结果表明针对不同幅度兴趣波动的数据特征提取可以获得更准确的预测效果,较其他时序推荐对比算法,RMSE最大降低了 19.18％,Hit Ratio最大提高了45.78％.[局限]由于兴趣波动的趋势分析依赖用户历史数据,当历史数据量过于稀疏时需采用额外的冷启动算法对数据进行预处理.[结论]本文方法对兴趣波动特征的泛化能力更强、运行速度快、波动分析和推荐预测更准确,有助于优化个性化信息服务.