基于FCM用戶聚類的協(xié)同過濾推薦算法

趙學(xué)健，張雨豪，陳 昊，劉 旭，李朋起

(1.南京郵電大學(xué) 現(xiàn)代郵政學(xué)院，江蘇 南京 210003；2.南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003；3.南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院，江蘇 南京 210003)

0 引 言

信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，使得數(shù)據(jù)量呈指數(shù)性爆炸，人民逐漸從信息匱乏的時(shí)代走入了信息過載的時(shí)代[1]。無論是信息生產(chǎn)者還是銷售者都遇到了很大的挑戰(zhàn)，對(duì)于消費(fèi)者而言，海量的數(shù)據(jù)篩選，獲取有效信息越來越困難；生產(chǎn)者為了滿足客戶需求，生產(chǎn)有價(jià)值的信息，變得越來越困難。推薦算法是一種有效的信息處理工具，通過用戶的歷史行為信息，將用戶和商品聯(lián)系起來，解決信息過載的問題。目前，推薦算法已經(jīng)成功應(yīng)用到電子商務(wù)、在線音視頻網(wǎng)站以及社交網(wǎng)絡(luò)平臺(tái)等各個(gè)領(lǐng)域。亞馬遜的前首席科學(xué)家Andreas Weigend提及亞馬遜有20%～30%的銷售來自于推薦系統(tǒng)[2]。

推薦算法是推薦過程的重要組成部分，為推薦系統(tǒng)的核心內(nèi)容。目前有許多種推薦算法，常見的推薦算法有基于人口學(xué)的推薦算法、基于內(nèi)容的推薦算法、基于關(guān)聯(lián)規(guī)則推薦算法、協(xié)同過濾推薦算法、混合推薦算法。而協(xié)同過濾推薦算法是目前發(fā)展最為成熟、應(yīng)用最為廣泛的個(gè)性化推薦技術(shù)之一。協(xié)同過濾算法可以分為基于內(nèi)存(memory-based)的和基于模型(model-based)的兩類[3]。其中基于內(nèi)存的協(xié)同過濾推薦算法又可以分為基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法。

1 研究現(xiàn)狀

隨著電子商務(wù)深入人心，用戶和項(xiàng)目的數(shù)量急劇增加，這使得協(xié)同過濾推薦算法計(jì)算量巨大，時(shí)間復(fù)雜度和空間復(fù)雜度都極大。另一方面，單個(gè)用戶所關(guān)注的項(xiàng)目通常都很少，這又導(dǎo)致用戶的評(píng)分矩陣極其稀疏，使得推薦系統(tǒng)的精度大大降低。近年來，研究者開始借助聚類方法來解決協(xié)同過濾推薦過程中的數(shù)據(jù)稀疏性和推薦精度降低的問題。

文獻(xiàn)[4]提出了一個(gè)新的基于Web的推薦系統(tǒng)，該系統(tǒng)基于用戶在Web頁(yè)面上瀏覽的順序信息，采用模糊C均值聚類算法為目標(biāo)用戶確定相似用戶，并評(píng)估每個(gè)網(wǎng)頁(yè)的權(quán)重，來預(yù)測(cè)推薦用戶的下一次訪問網(wǎng)頁(yè)，極大提高了現(xiàn)有推薦系統(tǒng)的精度。

文獻(xiàn)[5]提出一種用于醫(yī)學(xué)圖像模糊聚類與直覺模糊推薦結(jié)合的混合推薦模型-HIFCF(hybrid intuitionistic fuzzy collaborative filtering)。該模型比傳統(tǒng)的模糊集合或單純的推薦系統(tǒng)具有更好的預(yù)測(cè)精度。

文獻(xiàn)[6]提出一種新的社交推薦模型，該模型首先將描述多個(gè)領(lǐng)域用戶偏好的用戶偏好矩陣形式化，然后利用偏距離策略模糊C-均值聚類算法-PDSFCM (partial distance strategy fuzzy c-means)得到用戶聚類分組，然后設(shè)計(jì)了一個(gè)基于聚類的社交正則化項(xiàng)，將聚類關(guān)系與傳統(tǒng)的矩陣分解模型進(jìn)行融合，用以進(jìn)一步提高推薦算法的精度。

文獻(xiàn)[7]提出一種新的基于聚類的協(xié)同過濾方法-CBCF(clustering-based collaborative filtering)，該方法基于用戶評(píng)分?jǐn)?shù)據(jù)建立激勵(lì)/懲罰用戶模型，對(duì)用戶進(jìn)行聚類，在不需要更多先驗(yàn)信息的情況下，提高了推薦的準(zhǔn)確性。

文獻(xiàn)[8]將單領(lǐng)域基于聚類的矩陣分解方法擴(kuò)展應(yīng)用到多領(lǐng)域推薦，所提出的推薦方法可以更有效地利用來自輔助域的數(shù)據(jù)來獲得更好的推薦效果，特別是對(duì)于冷啟動(dòng)用戶。

文獻(xiàn)[9]在2010年通過提出一種基于用戶偏好模糊聚類的協(xié)同過濾推薦，用以解決推薦過程中的數(shù)據(jù)稀疏性和伸縮性。該方法將用戶項(xiàng)評(píng)分矩陣轉(zhuǎn)換為用戶類矩陣，因此大大提高了矩陣中數(shù)據(jù)的密度。然后，使用模糊C均值算法將用戶模糊地分為不同的組。采用模糊C均值聚類可以讓每個(gè)用戶屬于不同的組，可以更為有效地捕獲用戶的各種偏好。

文獻(xiàn)[10]在2015年提出了一種結(jié)合FCM和Slope One算法[11]的協(xié)同過濾推薦方法，該方法針對(duì)推薦算法的數(shù)據(jù)稀疏性問題，首先使用基于FCM聚類的Slope One算法來預(yù)測(cè)未評(píng)分的數(shù)據(jù)，然后通過基于用戶的協(xié)同過濾推薦算法來實(shí)現(xiàn)推薦。

文獻(xiàn)[12]為了提高推薦質(zhì)量，將信任關(guān)系融合到推薦系統(tǒng)中，采用模糊C聚類算法，對(duì)信任關(guān)系進(jìn)行聚類。利用信任類預(yù)測(cè)用戶間的隱式信任，最后將信任關(guān)系與用戶-項(xiàng)目關(guān)系線性融合進(jìn)行推薦。實(shí)驗(yàn)表明該算法能夠大幅度地改進(jìn)推薦質(zhì)量，提升算法的時(shí)間效率。

文獻(xiàn)[13]為了克服評(píng)級(jí)數(shù)據(jù)的稀疏性問題，提出了一種新穎的稀疏性消除方法，該方法結(jié)合了評(píng)級(jí)和電影題材特征，應(yīng)用模糊C均值聚類技術(shù)對(duì)電影進(jìn)行聚類。該方案結(jié)合了評(píng)分和電影的題材來預(yù)測(cè)未評(píng)分?jǐn)?shù)據(jù)，有效提升了推薦質(zhì)量。

文獻(xiàn)[14]提出了一種基于對(duì)用戶真實(shí)性信息應(yīng)用模糊C均值聚類的協(xié)作過濾模型。該文獻(xiàn)提出一種新的度量用戶相似度的方式，該公式結(jié)合了用戶的使用組合系數(shù)對(duì)模糊真實(shí)性信息進(jìn)行評(píng)級(jí)，在數(shù)據(jù)稀疏和冷啟動(dòng)條件下，推薦效果更佳。

文獻(xiàn)[15]針對(duì)推薦算法的數(shù)據(jù)稀疏性和冷啟動(dòng)問題，將聚類算法和關(guān)聯(lián)規(guī)則生成算法相結(jié)合，首先根據(jù)用戶相似度對(duì)評(píng)分矩陣進(jìn)行聚類，然后將聚類數(shù)據(jù)轉(zhuǎn)換成布爾數(shù)據(jù)，并生成高效的關(guān)聯(lián)規(guī)則，最后進(jìn)行基于規(guī)則的推薦。實(shí)驗(yàn)表明，該方法不僅降低了推薦系統(tǒng)的稀疏度，而且提高了推薦系統(tǒng)的精度。

通過上述分析，可以看出當(dāng)前借助聚類方法的協(xié)同過濾推薦通常只考慮了用戶的顯性特征進(jìn)行聚類，沒有考慮到項(xiàng)目的隱性特征；另一方面，當(dāng)前采用模糊C均值聚類方法對(duì)用戶進(jìn)行聚類時(shí)，該算法容易收斂于局部極小值點(diǎn)，有時(shí)難以取得目標(biāo)函數(shù)的全局最小值。因此，該文提出一種基于FCM用戶聚類的協(xié)同過濾推薦算法GAFCM-CF(genetic algorithm based fuzzy c-means collaborative filtering)。該算法首先結(jié)合用戶評(píng)分和項(xiàng)目特征構(gòu)建用戶特征偏好矩陣，然后采用模糊C均值聚類算法對(duì)用戶進(jìn)行聚類。此外，該算法為了防止模糊C均值聚類算法收斂于局部極小值，影響推薦質(zhì)量，采用遺傳算法對(duì)模糊C均值聚類算法進(jìn)行了改進(jìn)，以防止模糊C均值聚類算法出現(xiàn)局部最優(yōu)解。實(shí)驗(yàn)結(jié)果表明，所提出的基于改進(jìn)FCM的協(xié)同過濾推薦算法GAFCM-CF相比于傳統(tǒng)的基于用戶的協(xié)同過濾推薦算法具有更好的推薦質(zhì)量。

2 算法理論基礎(chǔ)

2.1 基于用戶的協(xié)同過濾推薦算法

基于用戶的協(xié)同過濾算法是推薦系統(tǒng)中比較古老的推薦算法，這個(gè)算法的誕生標(biāo)志著推薦算法的誕生。該算法利用目標(biāo)用戶的歷史行為信息，挖掘與目標(biāo)用戶具有高相似度的近鄰用戶集合，然后根據(jù)用戶對(duì)此項(xiàng)目的評(píng)分來預(yù)測(cè)目標(biāo)用戶對(duì)該商品的相應(yīng)的評(píng)分，之后再?gòu)念A(yù)測(cè)的評(píng)分中選擇靠前的Top-K個(gè)項(xiàng)目推薦給用戶。

基于用戶的協(xié)同過濾算法中，用戶-項(xiàng)目評(píng)分矩陣Rm×n是算法的基礎(chǔ)，如表1所示。該矩陣中，每行對(duì)應(yīng)一個(gè)用戶，每列對(duì)應(yīng)一個(gè)項(xiàng)目，每個(gè)矩陣元素ri,j表示用戶i對(duì)項(xiàng)目j的評(píng)分，當(dāng)用戶沒有對(duì)項(xiàng)目進(jìn)行評(píng)分時(shí)，ri,j為0或者NULL。

表1 用戶項(xiàng)目評(píng)分表

在基于用戶的協(xié)同過濾推薦算法中，可以選擇皮爾遜相關(guān)系數(shù)、余弦相似度等不同的相似度計(jì)算方法。皮爾遜相關(guān)系數(shù)計(jì)算方法如公式(1)所示：

(1)

2.2 模糊C均值聚類算法

模糊C均值聚類算法(fuzzy c-means，F(xiàn)CM)是在硬C均值聚類算法模型基礎(chǔ)上融合了模糊理論的精髓進(jìn)一步推理得到的。硬C均值聚類算法要求每個(gè)用戶只能明確屬于某一個(gè)類之中，然而模糊C聚類可以提供更加靈活的聚類結(jié)果，它可以將每一個(gè)目標(biāo)對(duì)象劃分到多個(gè)類中。

假設(shè)數(shù)據(jù)集X={x1,x2,…,xn}?Rd×n，其中n為數(shù)據(jù)集的個(gè)數(shù)，d為數(shù)據(jù)集的維度。模糊C均值聚類算法將數(shù)據(jù)集劃分成k個(gè)子集，則對(duì)應(yīng)生成模糊劃分矩陣U，cj(j=1,2,…,k)為每個(gè)聚類的中心，可記錄為C，μi,j是第i個(gè)樣本對(duì)應(yīng)第j類的隸屬度函數(shù)，則基于隸屬度函數(shù)的聚類損失函數(shù)如公式(2)所示：

(2)

其中，m是加權(quán)指數(shù)，也可以稱為平滑系數(shù)，一般取值為2。

模糊C均值聚類算法首先計(jì)算各個(gè)用戶和聚類中心之間的距離，然后計(jì)算出用戶對(duì)各聚類中心的隸屬度矩陣，通過比較用戶在各個(gè)聚類中心隸屬度的大小，將用戶分配到隸屬度最大的用戶簇中，使得在同一個(gè)用戶簇之中用戶與用戶的相似度最高，降低不同用戶簇中用戶之間的相似度。使得聚類函數(shù)最小的必要條件為cj和μi,j分別滿足公式(3)和公式(4)：

1≤i≤n,1≤j≤c

(3)

(4)

3 GAFCM-CF算法

該文提出的GAFCM-CF算法包括數(shù)據(jù)預(yù)處理，用戶特征偏好矩陣構(gòu)建，矩陣歸一化處理，GAFCM聚類，用戶相似度計(jì)算，目標(biāo)項(xiàng)目評(píng)估及推薦六個(gè)步驟，如圖1所示。算法的核心是用戶特征偏好特征矩陣的構(gòu)建和融合遺傳算法對(duì)模糊C均值聚類算法進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)用戶的聚類分析，防止模糊C均值聚類算法出現(xiàn)局部最優(yōu)解。

圖1 改進(jìn)FCM的協(xié)同過濾流程

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要負(fù)責(zé)從原始數(shù)據(jù)中提取用戶特征和項(xiàng)目特征數(shù)據(jù)并進(jìn)行數(shù)據(jù)清洗操作，獲得特定格式的數(shù)據(jù)集，并構(gòu)建項(xiàng)目特征隸屬矩陣和用戶項(xiàng)目評(píng)分矩陣。

3.2 構(gòu)建用戶特征偏好矩陣

時(shí)間復(fù)雜度、空間復(fù)雜度高以及評(píng)分矩陣稀疏問題是協(xié)同過濾算法目前所面臨的主要問題。為了解決用戶評(píng)分矩陣的稀疏性問題，GAFCM-CF算法通過利用用戶項(xiàng)目評(píng)分矩陣和項(xiàng)目特征隸屬矩陣來構(gòu)建用戶特征偏好矩陣，構(gòu)建方法如圖2所示。

圖2 用戶偏好特征矩陣構(gòu)建過程

圖2中，矩陣UIn×m為用戶項(xiàng)目評(píng)分矩陣，矩陣IFm×k為項(xiàng)目特征隸屬矩陣，矩陣UFPn×k為用戶特征偏好矩陣?？梢酝ㄟ^用戶項(xiàng)目評(píng)分矩陣和項(xiàng)目特征隸屬矩陣聚合來構(gòu)建用戶特征偏好矩陣。項(xiàng)目特征隸屬矩陣IFm×k中的元素取值為0或1，滿足公式(5):

(5)

用戶u對(duì)項(xiàng)目的評(píng)分向量為ru=(ru,1,ru,2,…,ru,m)，項(xiàng)目i對(duì)應(yīng)特征的隸屬向量為fi=(f1,i,f2,i,…,fm,i)，Rui計(jì)算過程如式(6)所示：

(6)

該方法中用戶項(xiàng)目評(píng)分矩陣通常都是稀疏矩陣，這是由于用戶數(shù)量和項(xiàng)目數(shù)量極多，而單個(gè)用戶關(guān)聯(lián)的項(xiàng)目數(shù)量極少。項(xiàng)目特征隸屬矩陣中k的取值通常遠(yuǎn)小于用戶評(píng)分矩陣中項(xiàng)目的數(shù)量m，因此通過該方法獲得的用戶對(duì)項(xiàng)目特征的偏好矩陣相對(duì)于用戶項(xiàng)目評(píng)分矩陣維度得到了極大降低，有利于降低推薦算法的時(shí)間和空間復(fù)雜度。

3.3 歸一化處理

對(duì)UFP矩陣進(jìn)行min-max歸一化處理，將矩陣各元素?cái)?shù)值映射到區(qū)間[0，1]，映射公式如下所示：

(7)

其中，xi,j為矩陣第i行第j列對(duì)應(yīng)的元素值，在UFP矩陣中表示用戶i對(duì)項(xiàng)目特征j的偏愛程度，xmin為所有用戶對(duì)項(xiàng)目特征偏愛程度中的最小值，xmax為所有用戶對(duì)項(xiàng)目特征偏愛程度的最大值。

3.4 GAFCM聚類

GAFCM-CF算法為了達(dá)到快速收斂并避免局部最優(yōu)，將遺傳算法與FCM的算法融合，通過FCM算法使數(shù)據(jù)快速高效地趨于各自的極值點(diǎn)，又可以通過遺傳算法擺脫數(shù)據(jù)在收斂過程中可能陷入的局部最小值的問題[16]。

GAFCM聚類的具體步驟如下：

步驟1：對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建用戶偏好特征矩陣UFP并對(duì)其進(jìn)行歸一化處理。

步驟2：參數(shù)初始化，初始化GAFCM算法的相關(guān)參數(shù)，包括種群大小M，交叉概率Pc，變異概率Pm，最大迭代次數(shù)tmax，聚類簇?cái)?shù)c，隸屬度因子m，收斂精度ε。

步驟3：編碼及種群初始化，根據(jù)公式進(jìn)行編碼，并隨機(jī)產(chǎn)生一個(gè)種群X，X中有n個(gè)研究對(duì)象作為初始個(gè)體，即X=[x1,x2,…,xn]。

步驟4：計(jì)算個(gè)體適應(yīng)度：

(8)

步驟5：對(duì)當(dāng)前種群執(zhí)行選擇、交叉和變異操作，產(chǎn)生新一代個(gè)體。

步驟6：若t=tmax，遺傳算法結(jié)束，輸出最終的數(shù)據(jù)，并轉(zhuǎn)入步驟7；否則，令t=t+1，并返回步驟4。

步驟7：根據(jù)全局最優(yōu)解模糊劃分整個(gè)數(shù)據(jù)集，輸出聚類中心矩陣，實(shí)現(xiàn)用戶聚類劃分。

3.5 用戶相似度計(jì)算

為計(jì)算用戶的相似度，GAFCM-CF算法通過綜合利用用戶特征偏好矩陣以及用戶項(xiàng)目評(píng)分矩陣來實(shí)現(xiàn)，既包含原始用戶項(xiàng)目評(píng)分矩陣的顯性信息，又考慮到用戶對(duì)項(xiàng)目特征偏好的隱性信息，如公式(9)所示：

Sim(u,v)=λSim1(u,v)+(1-λ)Sim2(u,v)

(9)

其中，λ是權(quán)重因子，取值范圍為(0,1)；Sim(u,v)表示用戶u和用戶v的綜合相似度；Sim1(u,v)表示通過公式(1)計(jì)算得到的相似度，是使用原始用戶項(xiàng)目評(píng)分矩陣得到的；Sim2(u,v)表示使用用戶對(duì)項(xiàng)目特征偏好矩陣得到的相似度，可以通過公式(10)獲得：

Sim(u,v)2=

(10)

3.6 目標(biāo)項(xiàng)目評(píng)估

用戶u對(duì)項(xiàng)目i的評(píng)分計(jì)算公式為：

(11)

4 實(shí)驗(yàn)分析

4.1 數(shù)據(jù)集描述

該文采用MovieLens 100k數(shù)據(jù)集驗(yàn)證算法的性能。該數(shù)據(jù)集包括1 682部電影中的943位用戶的100 000個(gè)評(píng)分，數(shù)據(jù)集稀疏度為93.7%(用戶未評(píng)分?jǐn)?shù)量占用戶最大評(píng)分?jǐn)?shù)量的比例)。用戶對(duì)電影的評(píng)分區(qū)間為1～5分，每個(gè)用戶至少評(píng)分20部電影，用戶對(duì)某電影的評(píng)分值越高表明用戶對(duì)該電影喜愛程度越大。

該文將原始數(shù)據(jù)集隨機(jī)劃分為5部分，使用5折交叉驗(yàn)證方式，每次將其中4部分用于訓(xùn)練，剩下的1部分用于測(cè)試，將5次實(shí)驗(yàn)的平均值作為實(shí)驗(yàn)結(jié)果。

4.2 實(shí)驗(yàn)設(shè)置及評(píng)價(jià)指標(biāo)

該文主要通過平均絕對(duì)誤差(mean absolute error，MAE)、準(zhǔn)確率(Precision)和召回率(Recall)三個(gè)指標(biāo)對(duì)算法的性能進(jìn)行分析。

MAE是衡量預(yù)測(cè)評(píng)分的準(zhǔn)確性的重要指標(biāo)，通過比較預(yù)測(cè)評(píng)分和真實(shí)評(píng)分之間的平均絕對(duì)誤差計(jì)算得出。MAE值越小，則表示預(yù)測(cè)評(píng)分與真實(shí)評(píng)分越接近，算法精度也就越高。Precision表示正樣本在預(yù)測(cè)為正的樣本中所占的比例，即用戶發(fā)生行為項(xiàng)目占推薦項(xiàng)目的比例。Recall表示預(yù)測(cè)為正樣本占正樣本的比例，即推薦項(xiàng)目占用戶產(chǎn)生行為項(xiàng)目的比例。顯然，Precision和Recall越大，說明算法的推薦精度越高。

MAE可以通過公式(12)進(jìn)行計(jì)算：

(12)

其中，pu,i表示用戶u對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分，ru,i表示用戶u對(duì)項(xiàng)目i的真實(shí)評(píng)分,n表示用戶u所評(píng)分的項(xiàng)目的數(shù)量。

Precision可以通過公式(13)進(jìn)行計(jì)算：

(13)

Recall可以通過公式(14)進(jìn)行計(jì)算：

(14)

上述公式(13)和公式(14)中，U表示所有項(xiàng)目的集合，R(u)表示給用戶u推薦的項(xiàng)目集合，T(u)表示用戶u發(fā)生行為的項(xiàng)目的集合。

實(shí)驗(yàn)相關(guān)參數(shù)設(shè)置如下：模糊聚類分類數(shù)c=8，隸屬度因子m=2，迭代次數(shù)t=50，交叉概率Pc=0.6，變異概率Pm=0.1，收斂精度ε=0.000 1。

4.3 實(shí)驗(yàn)結(jié)果與分析

首先，對(duì)GAFCM-CF算法性能隨權(quán)重因子λ的變化情況進(jìn)行了分析。該組實(shí)驗(yàn)將相似用戶數(shù)量k值設(shè)置為20，如圖3所示，在相似用戶數(shù)量k=15時(shí)，隨著λ取值逐漸增大，準(zhǔn)確率和召回率變化趨勢(shì)均為先增大后減小，并且在λ=0.4時(shí)，準(zhǔn)確率和召回率達(dá)到峰值，分別為0.251和0.129。由圖4可以看出，隨著λ取值逐漸增大，平均絕對(duì)誤差MAE變化趨勢(shì)為先減小后增大，并且在λ=0.4時(shí)，平均絕對(duì)誤差取得最小值0.466。

圖3 λ取值對(duì)Precision和Recall的影響分析

圖4 λ取值對(duì)MAE的影響分析

其次，將GAFCM-CF算法與文獻(xiàn)[6]提出的PDSFCM算法、User-CF算法的進(jìn)行性能對(duì)比，分析了三種算法的MAE、Precision和Recall隨相似用戶數(shù)量k的變化情況。該組實(shí)驗(yàn)權(quán)重因子λ取值均設(shè)置為0.4。

由圖5可以看出，GAFCM-CF算法、PDSFCM算法和User-CF算法的MAE均隨著相似用戶數(shù)量k的增大而減小。在k值相同的情況下，GAFCM-CF算法的MAE均比PDSFCM算法與User-CF算法的MAE要小，表明GAFCM-CF算法比User-CF算法和PDSFCM算法具有更好的精度。

圖5 MAE對(duì)比分析

由圖6和圖7可以看出，GAFCM-CF算法、PDSFCM算法及User-CF算法的Precision和Recall均隨著相似用戶數(shù)量k的增大而增大。在k值相同的情況下，GAFCM-CF算法的預(yù)測(cè)準(zhǔn)確率和召回率都比User-CF算法和PDSFCM算法的預(yù)測(cè)準(zhǔn)確率和召回率要高，表明GAFCM-CF算法比User-CF算法和PDSFCM算法具有更好的推薦效果。

圖6 Precision對(duì)比分析

圖7 Recall對(duì)比分析

5 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)協(xié)同過濾推薦算法中存在的數(shù)據(jù)稀疏性及推薦準(zhǔn)確率低的問題，提出了一種基于改進(jìn)FCM的協(xié)同過濾推薦算法GAFCM-CF。實(shí)驗(yàn)結(jié)果表明，相比于傳統(tǒng)的基于用戶的協(xié)同過濾推薦算法，該算法具有更高的推薦質(zhì)量以及推薦準(zhǔn)確率。未來工作中，將考慮進(jìn)一步挖掘用戶隱藏信息，進(jìn)一步提升推薦算法的準(zhǔn)確率；另一方面，將對(duì)算法的復(fù)雜度和其他方面的推薦性能，比如推薦物品的覆蓋率、流行度、驚喜度等進(jìn)行更全面的評(píng)估。