基于用戶協(xié)同過(guò)濾推薦算法的研究.pdf

1、隨著“互聯(lián)網(wǎng)+”的蓬勃發(fā)展和大數(shù)據(jù)時(shí)代的來(lái)臨，網(wǎng)上購(gòu)物已經(jīng)成為人們?nèi)粘Ｉ畹闹匾M成部分。如何快速有效的解決數(shù)據(jù)的搜索、分類、推薦，成為擺在人們面前亟需解決的問(wèn)題。推薦系統(tǒng)能夠根據(jù)用戶的個(gè)人偏好，向用戶提供個(gè)性化的服務(wù)推薦，從而使得廣大用戶能夠迅速且準(zhǔn)確地找到自己滿意的商品或服務(wù)。盡管推薦系統(tǒng)近來(lái)取得了長(zhǎng)足進(jìn)步，但隨著互聯(lián)網(wǎng)用戶數(shù)量的急劇增長(zhǎng)，以及移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，推薦系統(tǒng)存在的缺陷和不足，更加制約著推薦系統(tǒng)的健康發(fā)展。
　　

2、本文針對(duì)基于用戶協(xié)同過(guò)濾推薦系統(tǒng)所面臨的稀疏性、擴(kuò)展性、冷啟動(dòng)問(wèn)題，通過(guò)將奇異值分解與聚類融合，并針對(duì)基于用戶協(xié)同過(guò)濾推薦系統(tǒng)的特性，改進(jìn)了相似性度量公式與 Top-N推薦權(quán)值賦值系數(shù)，提出一種融合奇異值分解和聚類的協(xié)同過(guò)濾推薦算法—SCW（SVD Clustering Weight）算法。SCW算法主要融合了奇異值分解降維、聚類和Top-N推薦三個(gè)原理。具體研究?jī)?nèi)容可概括為以下幾個(gè)方面：首先，本文利用奇異值分解從Movielens數(shù)據(jù)

3、集中構(gòu)建一個(gè)主題空間，然后在該空間中計(jì)算相似度。其次，對(duì)降維后的評(píng)分矩陣中的用戶進(jìn)行聚類，聚類分析將數(shù)據(jù)劃分成有意義的簇。最后，完成聚類后，按照用戶聚類的每個(gè)簇都是行為模式相似的用戶，遍歷目標(biāo)用戶所在簇的其他用戶的物品集，去除目標(biāo)用戶物品集生成推薦列表。然后利用改進(jìn)的預(yù)測(cè)評(píng)分公式計(jì)算推薦列表物品的預(yù)測(cè)評(píng)分，排序推薦。
　　本文利用Moivelens公開(kāi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證，并將本文的提出算法與傳統(tǒng)的基于皮爾森相關(guān)度協(xié)同過(guò)濾算法和主成