2023年第3期计算机与数字工程收稿日期：2022年8月13日，修回日期：2022年9月27日作者简介：吴祺，男，硕士研究生，研究方向：推荐算法、数据挖掘、数据分析。聂文惠，男，硕士研究生，副教授，研究方向：数据库理论与应用、数据挖掘、大数据处理。∗1引言随着社会的发展和网络技术的不断进步，信息数据呈现爆发式增长，传统的协同过滤推荐算法已经无法满足人们日常的需求，人们无法从海量的数据中快速获得自己想要的信息，即产生“信息过载”问题［1］。如何更准确更快速地帮助用户获取有效信息成为当前研究的热点，个性化推荐也就应运而生。协同过滤算法［2］是目前推荐系统中应用最为基于用户聚类和时间隐语义模型的推荐算法研究∗吴祺聂文惠（江苏大学计算机与通信工程学院镇江212000）摘要协同过滤算法是推荐系统中使用最广泛的算法之一，随着个性化推荐技术的发展，传统的协同过滤算法在数据稀疏的情况下推荐的准确率较低，同时没有考虑用户的兴趣会随着时间的推移发生动态变化等因素，传统的协同过滤推荐算法已无法满足个性化推荐的需求。论文针对以上问题提出一种融合算法，将K-means算法和隐语义模型相结合，提出基于用户聚类和时间隐语义模型的推荐算法K-T-LFM（K-meansalgorithmclusteringusersandTimeBasedLatentFactorMod⁃el）。该算法根据用户的属性特征，采用最大-最小准则确定初始质心的K-means算法将用户聚类，解决了新用户登录的冷启动问题，降低了矩阵的稀疏程度和矩阵规模；根据艾宾浩斯遗忘曲线提出时间函数，并融合传统隐语义模型对聚类中的用户评分稀疏矩阵进行填充，有效缓解了数据的稀疏性，同时考虑了时间因素对用户的兴趣偏好的影响，提高了推荐算法的准确性。通过MovieLens数据集进行实验对比，该算法较其他的协同过滤算法准确率有所提升。关键词协同过滤；用户聚类；时间隐语义模型；推荐中图分类号TP301.6DOI：10.3969/j.issn.1672-9722.2023.03.005ResearchonRecommendationAlgorithmBasedonUserClusteringandTimeBasedLatentFactorModelWUQiNIEWenhui（SchoolofComputerandCommunicationEngineering，JiangsuUniversity，Zhenjiang212000）AbstractCollaborativefilteringalgorithmisoneofthemostwidelyusedalgorithmsintherecommendationsystem.Withthedevelopmentofpersonalizedrecommendationtechnology，theaccuracyoftraditionalcollaborativefilteringalgorithmislowinthecaseofsparsedata，anditdoesnotcon...
