Mise en cluster évolutive pour la prédiction de note basée sur le filtrage collaboratif

Abstract

Les systèmes de recommandation (SR) sont utilisés pour aider les gens à réduire le temps qu'ils passent à découvrir les articles qui les intéressent. Le filtrage collaboratif (FC) est l'une des techniques les plus efficaces en SR. La rareté des données rend le résultat de la recommandation inexact. Dans ce travail, nous utilisons une méthode de classification évolutive, où le but est de regrouper les utilisateurs qui possèdent un intérêt similaire dans le même cluster et de recommander des items aux utilisateurs qu'ils pourraient aimer. Au préalable, la distance d'attribut utilisateur est calculée, selon le modèle de clustering de réseau construit, où les états des utilisateurs évoluent avec le temps. Les états des utilisateurs seraient stables après une certaine période d'itération. À la lumière des états stables des utilisateurs, ces derniers sont regroupés en plusieurs groupes (cluster). Deuxièmement, nous remplissons la matrice de notation en fonction du temps de notation et du genre de films. Troisièmement, le filtrage collaboratif basé sur l'utilisateur est adopté dans chaque cluster. Les similarités entre les utilisateurs uniquement dans le même cluster sont calculées avec la matrice remplie. Enfin, l'évaluation (note) cible est calculée en fonction de l'ensemble voisin des utilisateurs, et les N items les plus intéressés sont recommandés à l'utilisateur cible. Grâce aux expériences et par rapport aux algorithmes de recommandation existants, l'algorithme adapté améliore la précision de la recommandation et résout efficacement les problèmes de manque de données et de démarrage à froid.