针对传统协同过滤算法数据集稀疏性高、推荐性能差的问题，提出一种基于K-means聚类与加权Slope One填充的协同过滤推荐算法。首先以用户特征为聚类依据，聚类生成K个用户集群，其次通过加权SlopeOne算法预测并填充每个集群内部的评分矩阵，最后合并各类别的评分矩阵，设计融合Baseline算法和基于物品协同过滤算法的混合算法预测用户评分。在MovieLens数据集上进行新算法与其他算法的对比实验，实验结果表明，该算法能有效缓解数据稀疏性，提高预测精度。
科研之友
微信
新浪微博
Facebook
分享链接
