增强蚱蜢优化推荐模型

聚类中心动态寻优

将Lévy飞行与多策略协同进化结合进蚱蜢优化算法，克服K均值聚类对初始中心的敏感性，在多个数据集上推荐准确率显著超过传统协同过滤。

赵子皓 · Xia, Yingchun · 徐文俊 · Hui, Yu · Yang, Shuai · Cheng, Chen · Yuan, Xiaohui · 周小波 · Wang, Qingyong · Gu, Lichuan

CAAI Transactions on Intelligence Technology 2025

技术优势

克服中心敏感

通过增强蚱蜢优化算法优化聚类中心，解决了K-means对初始中心敏感的关键限制。

适应动态偏好

算法在动态环境中优化聚类中心，能适应不断变化的用户偏好。

提升推荐准确性

在多个数据集上显著超越传统推荐算法，提供更相关的内容。

应用场景

• 个性化推荐系统：用优化后的聚类提升推荐相关性，缓解数据稀疏带来的准确率下降。
• 用户行为分析：在动态环境中优化用户分群，捕捉兴趣漂移，支持更精准的用户画像。
• 电商推荐引擎：提高推荐准确率，向用户提供更相关的商品，提升购买转化率。
• 内容分发优化：以更精准的聚类改善内容分发，提高用户参与度和满意度。