Recommendation technology is an important part of the Internet of Things (IoT) services, which can provide better service for users and help users get information anytime, anywhere. However, the traditional recommendation algorithms cannot meet user's fast and accurate recommended requirements in the IoT environment. In the face of a large-volume data, the method of finding neighborhood by comparing whole user information will result in a low recommendation efficiency. In addition, the traditional recommendation system ignores the inherent connection between user's preference and time. In reality, the interest of the user varies over time. Recommendation system should provide users accurate and fast with the change of time. To address this, we propose a novel recommendation model based on time correlation coefficient and an improved K-means with cuckoo search (CSK-means), called TCCF. The clustering method can cluster similar users together for further quick and accurate recommendation. Moreover, an effective and personalized recommendation model based on preference pattern (PTCCF) is designed to improve the quality of TCCF. It can provide a higher quality recommendation by analyzing the user's behaviors. The extensive experiments are conducted on two real datasets of MovieLens and Douban, and the precision of our model have improved about 5.2 percent compared with the MCoC model. Systematic experimental results have demonstrated our models TCCF and PTCCF are effective for IoT scenarios.

中文翻译：

---

基于协同过滤的物联网场景个性化推荐系统

推荐技术是物联网（IoT）服务的重要组成部分，可以为用户提供更好的服务，帮助用户随时随地获取信息。然而，传统的推荐算法无法满足用户在物联网环境下快速准确的推荐需求。面对海量数据，通过比较整个用户信息来寻找邻域的方法会导致推荐效率低下。此外，传统的推荐系统忽略了用户偏好与时间之间的内在联系。实际上，用户的兴趣随时间而变化。推荐系统应该随着时间的变化准确、快速地为用户提供服务。为了解决这个问题，我们提出了一种基于时间相关系数的新型推荐模型和改进的 K-means with cuckoo search（CSK-means），称为 TCCF。聚类方法可以将相似的用户聚集在一起，以便进一步快速准确地推荐。此外，设计了一种基于偏好模式（PTCCF）的有效且个性化的推荐模型来提高 TCCF 的质量。它可以通过分析用户的行为来提供更高质量的推荐。在 MovieLens 和豆瓣两个真实数据集上进行了大量实验，与 MCoC 模型相比，我们模型的精度提高了约 5.2%。系统的实验结果表明我们的模型 TCCF 和 PTCCF 对物联网场景是有效的。聚类方法可以将相似的用户聚集在一起，以便进一步快速准确地推荐。此外，设计了一种基于偏好模式（PTCCF）的有效且个性化的推荐模型来提高 TCCF 的质量。它可以通过分析用户的行为来提供更高质量的推荐。在 MovieLens 和豆瓣两个真实数据集上进行了大量实验，与 MCoC 模型相比，我们模型的精度提高了约 5.2%。系统的实验结果表明我们的模型 TCCF 和 PTCCF 对物联网场景是有效的。聚类方法可以将相似的用户聚集在一起，以便进一步快速准确地推荐。此外，设计了一种基于偏好模式（PTCCF）的有效且个性化的推荐模型来提高 TCCF 的质量。它可以通过分析用户的行为来提供更高质量的推荐。在 MovieLens 和豆瓣两个真实数据集上进行了大量实验，与 MCoC 模型相比，我们模型的精度提高了约 5.2%。系统的实验结果表明我们的模型 TCCF 和 PTCCF 对物联网场景是有效的。它可以通过分析用户的行为来提供更高质量的推荐。在 MovieLens 和豆瓣两个真实数据集上进行了大量实验，与 MCoC 模型相比，我们模型的精度提高了约 5.2%。系统的实验结果表明我们的模型 TCCF 和 PTCCF 对物联网场景是有效的。它可以通过分析用户的行为来提供更高质量的推荐。在 MovieLens 和豆瓣两个真实数据集上进行了大量实验，与 MCoC 模型相比，我们模型的精度提高了约 5.2%。系统的实验结果表明我们的模型 TCCF 和 PTCCF 对物联网场景是有效的。