一種基于情境聚類的協(xié)同過濾算法的研究與實(shí)現(xiàn).pdf

1、無線互聯(lián)網(wǎng)及移動設(shè)備的飛速發(fā)展，帶動著網(wǎng)絡(luò)資源的爆炸式增長，加劇信息過載問題，加大了用戶尋找所需信息的難度。推薦系統(tǒng)成為解決這個問題的關(guān)鍵，其中推薦算法對推薦結(jié)果起到關(guān)鍵的作用。目前的推薦算法當(dāng)中，應(yīng)用最廣的是協(xié)同過濾推薦。它通過分析用戶之間的相似性，得到近鄰，通過近鄰預(yù)測未評分項(xiàng)目，將近鄰喜歡的項(xiàng)目形成推薦結(jié)果。雖然協(xié)同過濾算法有挖掘用戶潛在愛好等優(yōu)點(diǎn)，但是它同樣存在著一些問題，例如數(shù)據(jù)稀疏性問題、可拓展性問題以及冷啟動問題等等。此外

2、，評分矩陣不能全面的反映出用戶的所有情況和偏好，其偏好同樣與其年齡、職業(yè)以及其所在位置等情境信息有著密切的聯(lián)系。針對以上問題，本文提出了一種基于情境進(jìn)行聚類的協(xié)同過濾算法，主要研究內(nèi)容有:
　　(1)深入研究現(xiàn)有推薦算法，分析其情境缺失問題。針對其只考慮用戶評分這個問題，引入可能影響用戶興趣愛好的用戶情境和外在環(huán)境情境，包括用戶年齡、職業(yè)、時間以及位置等，結(jié)合情境語義學(xué)，構(gòu)建了用戶情境的形式化表達(dá)方法。
　　(2)針對傳統(tǒng)協(xié)

3、同過濾算法當(dāng)中存在的數(shù)據(jù)稀疏性問題，提出了基于情境的聚類算法。深入研究了常見不同數(shù)據(jù)類型變量的相異度計(jì)算方法，計(jì)算兩兩情境相異度，構(gòu)建情境相異度矩陣。深入研究FCM算法，并針對FCM的收斂性問題，引入了收斂因子，利用改進(jìn)的FCM算法，在情境相異度矩陣的基礎(chǔ)上進(jìn)行聚類。如此將三維模型降維，縮小了目標(biāo)用戶查找相似用戶的范圍，降低了復(fù)雜度，緩解數(shù)據(jù)稀疏性問題。
　　(3)針對協(xié)同過濾算法當(dāng)中的用戶相似度算法忽略了用戶對單條項(xiàng)目評分尺度差