基于加權(quán)二部圖與K-Medoids的協(xié)同過(guò)濾推薦算法的改進(jìn)及應(yīng)用.pdf

1、伴著互聯(lián)網(wǎng)時(shí)代的到來(lái)，“BD”的概念已經(jīng)愈來(lái)愈被人們通曉。推薦系統(tǒng)隨著用戶規(guī)模的激增，出現(xiàn)了數(shù)據(jù)稀疏、用戶興趣漂移與推薦效率低等各個(gè)方面的問(wèn)題。本文針對(duì)這些問(wèn)題，對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行了研究，具體的研究工作如下:
　　(1)研究協(xié)同過(guò)濾算法(CF)的原理，提出基于加權(quán)二部圖的協(xié)同過(guò)濾算法(WBG-CF)。該算法使用用戶行為時(shí)間數(shù)據(jù)對(duì)用戶-項(xiàng)目矩陣進(jìn)行加權(quán)，然后使用二部圖算法對(duì)矩陣進(jìn)行填補(bǔ)，最后進(jìn)行協(xié)同過(guò)濾推薦。以此解決協(xié)同過(guò)濾推薦

2、算法中數(shù)據(jù)稀疏和用戶興趣漂移的問(wèn)題。實(shí)驗(yàn)證明，改進(jìn)的WBG-CF算法能夠體現(xiàn)用戶興趣的漂移，同時(shí)也能提升CF算法的準(zhǔn)確率。
　　(2)針對(duì)WBG-CF算法中，由于用戶數(shù)量的增大，導(dǎo)致推薦算法運(yùn)行效率降低的問(wèn)題，提出基于K-Medoids聚類的WBG-CF算法(KWBG-CF)。該算法在使用加權(quán)二部圖算法對(duì)矩陣進(jìn)行填補(bǔ)后，對(duì)用戶進(jìn)行一次聚類，再使用協(xié)同過(guò)濾算法對(duì)k個(gè)用戶簇進(jìn)行推薦。實(shí)驗(yàn)結(jié)果說(shuō)明，KWBG-CF算法在中等數(shù)據(jù)集的處理效