基于奇異值分解和k-means聚類的電子商務(wù)推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的大規(guī)模覆蓋和電子商務(wù)的飛速發(fā)展，不斷膨脹的網(wǎng)絡(luò)信息量和網(wǎng)絡(luò)資源，將用戶帶入了一個信息過載的時代。伴隨著持續(xù)增長的海量信息，網(wǎng)絡(luò)用戶無法迅速地找到自己真正需要的部分。如何從海量的資源中主動為用戶定位和推送其可能感興趣的內(nèi)容是當(dāng)前推薦系統(tǒng)的主要任務(wù)。推薦系統(tǒng)的最大優(yōu)點在于能夠快速推送用戶真正感興趣的資源，緩解了信息檢索的壓力。目前，在眾多的推薦技術(shù)中，協(xié)同過濾推薦是其最為成功和應(yīng)用最為廣泛的推薦技術(shù)。
　　在協(xié)同過濾推薦研

2、究領(lǐng)域中，主要涉及的模型問題多數(shù)是數(shù)據(jù)的稀疏性和可擴展性，以及推薦精度的問題，而k-means聚類算法是一種無監(jiān)督學(xué)習(xí)的算法具有良好分類性能，且適用范圍廣、算法簡潔。然而面對數(shù)據(jù)矩陣稀疏性，聚類算法能有效地根據(jù)相似興趣愛好將用戶分配到相同的聚類簇中;聚類產(chǎn)生后，根據(jù)鄰居用戶預(yù)測評價目標(biāo)用戶對該商品的評價。但是由于數(shù)據(jù)稀疏，使得目標(biāo)用戶處在聚類的邊緣，對該目標(biāo)用戶的推薦精度較低，鑒于此，本文首先采用奇異值分解技術(shù)化解數(shù)據(jù)稀疏性給數(shù)據(jù)對象聚

3、類造成的不利影響;然后針對初始聚類中心的隨機性，提出的改進算法與協(xié)同過濾算法進行融合，并對其進行仿真實驗，實驗驗證了改進算法具有良好的推薦性能。
　　基于奇異值分解的推薦算法的基本思想:首先以協(xié)同過濾算法為主體，針對出現(xiàn)的稀疏性數(shù)據(jù)造成的推薦精度低問題的基礎(chǔ)上，采用奇異值分解技術(shù)，對評分矩陣進行降維處理，并結(jié)合著梯度下降法對用戶和項目特征進行更新，有效的避免了過擬合現(xiàn)象的發(fā)生，同時克服了零評分用戶對相似度計算時出現(xiàn)的推薦不精問題。

4、通過MovieLence數(shù)據(jù)集的測試，并與傳統(tǒng)的推薦時推薦算法進行對比，結(jié)果表明該算法在推薦精度方面有較好的改善。
　　一種改進初始質(zhì)心的k-means聚類算法的基本思想是:針對傳統(tǒng)的k-means聚類算法k個初始聚類中心選擇上的隨機性，造成聚類結(jié)果的波動性，提出了一種能夠生成比較穩(wěn)定的初始聚類中心的改進算法;同時，借助均衡化函數(shù)有效尋找最佳k值。通過UCI數(shù)據(jù)集的仿真實驗，并與傳統(tǒng)k-means聚類算法進行比較，結(jié)果表明該改進算