用于推荐系统聚类分析的用户兴趣度研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (7): 226-228.

用于推荐系统聚类分析的用户兴趣度研究

崔春生1，2，吴祈宗1，王莹3

1.北京理工大学管理与经济学院，北京 100081
2.河南财经政法大学计算机学院，郑州 450002
3.郑州大学，郑州 450001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-01 发布日期:2011-03-01

Study on user interest level for clustering analysis in recommender systems

CUI Chunsheng1，2，WU Qizong1，WANG Ying3

1.School of Management and Economics，Beijing Institute of Technology，Beijing 100081，China
2.School of Computer，Henan University of Economics and Law，Zhengzhou 450002，China
3.Zhengzhou University，Zhengzhou 450001，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-01 Published:2011-03-01

摘要/Abstract

摘要： 根据推荐系统对用户（商品）聚类的要求，探讨采用用户（网页）兴趣度进行聚类分析的合理思想。通过用户浏览时间、浏览行为以及网页信息量差异等因素的对比，得出用户对某类商品的兴趣度计算方法。借助阈值的设定，定义了用户感兴趣的商品集、商品的感兴趣用户集和兴趣相似的用户集，得到了基于用户兴趣度的用户聚类的一般过程，具有一定的推广价值和借鉴意义。

关键词: 推荐系统, 用户兴趣度, 聚类分析

Abstract: Based on the need of user or merchandise clustering in recommender systems，the idea of user interest level or Web interest level is proposed in the paper.Through comparing users’ browsing time，browsing action and the amount of information，a method of computing user interest level to a class of merchandise is put forward.By setting thresholds，the interested merchandise set of users，interested user set of merchandise and user set of similar interest are defined.So the general steps of users clustering based on user interest level are gotten，which has a meaning of promotion and reference.

Key words: recommender systems, user interest level, clustering analysis

崔春生1，2，吴祈宗1，王莹3. 用于推荐系统聚类分析的用户兴趣度研究[J]. 计算机工程与应用, 2011, 47(7): 226-228.

CUI Chunsheng1，2，WU Qizong1，WANG Ying3. Study on user interest level for clustering analysis in recommender systems[J]. Computer Engineering and Applications, 2011, 47(7): 226-228.

[1]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[2]	田维安，陈红梅，周丽华. 基于相似用户好奇心的多样性推荐方法[J]. 计算机工程与应用, 2021, 57(23): 113-121.
[3]	陈海，钱付兰，陈洁，赵姝，张燕平. 基于变分自编码器的评分预测模型[J]. 计算机工程与应用, 2021, 57(22): 153-159.
[4]	张杰，张月琴，张泽华，刘志鑫，雷祥. 异质信息融合网络嵌入的注意力偏好推荐方法[J]. 计算机工程与应用, 2021, 57(21): 123-131.
[5]	潘承瑞，何灵敏，胥智杰，王修晖，宋承文. 融合知识图谱的双线性图注意力网络推荐算法[J]. 计算机工程与应用, 2021, 57(1): 29-37.
[6]	应文杰，桑基韬. 改进的哈希学习高效推荐算法[J]. 计算机工程与应用, 2020, 56(9): 75-83.
[7]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[8]	程晓娜，孙志锋. 隐式反馈场景下的LFM-XGB-LR融合推荐算法[J]. 计算机工程与应用, 2020, 56(5): 85-92.
[9]	衣俊艳，杜小鹏. 具有中心移动特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(24): 50-58.
[10]	伍鑫，黄勃，方志军，刘文竹. 序列生成对抗网络在推荐系统中的应用[J]. 计算机工程与应用, 2020, 56(23): 175-179.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	李凌，顾晓梅，刘子豪. 多子域随机森林在情境感知推荐中的应用研究[J]. 计算机工程与应用, 2020, 56(22): 132-141.
[13]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.
[14]	李浩，张亚钏，康雁，杨兵，卜荣景，李晋源. 融合循环知识图谱和协同过滤电影推荐算法[J]. 计算机工程与应用, 2020, 56(2): 106-114.
[15]	曾安，赵恢真. 融合了LSTM和PMF的推荐算法[J]. 计算机工程与应用, 2020, 56(19): 68-75.