基于增量式聚类和矩阵分解的鲁棒推荐方法

摘要 现有基于矩阵分解的推荐算法在面对“托”攻击时鲁棒性较差，而且随着用户和项目的增加需要进行模型重构，时间代价较高.针对上述问题，提出一种基于增量式聚类和矩阵分解的鲁棒推荐方法.首先，采用基于k-median聚类的用户评分矩阵分块算法对用户评分矩阵中的相似用户进行聚类，构建用户评分矩阵分块，并对每个分块进行鲁棒矩阵分解建立推荐模型；然后，针对新增用户(项目)，利用增量式聚类算法对用户评分矩阵分块进行更新，并采用基于加权信息熵的线性回归方法，对新增用户(项目)的特征向量进行局部参数估计.在MovieLens 1M数据集上的实验结果表明，本文提出的推荐方法不仅具有较高的推荐精度和鲁棒性，而且模型更新的时间明显减少