基于用戶興趣變化動態(tài)聚類的協(xié)同過濾算法.pdf

1、基于用戶的協(xié)同過濾是一種重要的個性化推薦機(jī)制，這種機(jī)制認(rèn)為目標(biāo)用戶最近鄰的推薦最容易被接受。因此，如何準(zhǔn)確找到目標(biāo)用戶的最近鄰是實現(xiàn)基于用戶協(xié)同過濾機(jī)制的關(guān)鍵性問題。目前，發(fā)現(xiàn)用戶最近鄰的主要方法是基于用戶歷史評分對用戶進(jìn)行聚類。因為用戶歷史評分可以反映用戶的興趣特點，根據(jù)用戶的歷史評分對用戶進(jìn)行聚類，可以將興趣點相似的用戶聚集在一起，在同一個簇中的用戶互為最近鄰。然而，如果在聚類前的某一時刻，有些用戶的興趣發(fā)生偏移，導(dǎo)致這類用戶的歷史

2、評分會失真。如果根據(jù)用戶全部的歷史評價進(jìn)行聚類，結(jié)果并不準(zhǔn)確。針對這一問題，有學(xué)者提出最近時間窗口內(nèi)聚類，用戶評分只采用最近時間窗口內(nèi)數(shù)據(jù)，盡管該方法可以定位用戶最新的興趣點，但這樣可能會忽略用戶的長期興趣，而且，數(shù)據(jù)稀疏性問題將會更加嚴(yán)峻。針對用戶興趣偏移之后，導(dǎo)致用戶聚類不準(zhǔn)確問題，本文提出了一種基于用戶興趣變化動態(tài)聚類的協(xié)同過濾算法。論文所做的主要工作，主要分為以下幾方面：
　?。?）提出了項目特征網(wǎng)絡(luò)圖。多個相似的項目構(gòu)成

3、一個項目簇，以項目簇作為管理項目的基本單位，項目簇的建立是通過挖掘項目與項目之間固有和隱藏特征的相似性而獲得?？梢苑奖愕耐ㄟ^用戶訪問項目的軌跡，識別出用戶興趣的偏移。滿足簇內(nèi)部高內(nèi)聚，簇之間低耦合的特點。同時，以項目簇管理比用項目結(jié)點管理項目更高效。
　?。?）識別興趣偏移用戶。通過用戶的訪問項目的軌跡，基于時間窗口建立馬爾科夫鏈模型，可以在動態(tài)過程中找到用戶興趣的變化規(guī)律，從而識別出用戶當(dāng)前真正的興趣，從而避免由于用戶興趣偏移對

4、聚類所帶來的影響。
　　（3）緩解用戶興趣的被動偏移。針對興趣偏移用戶，利用用戶對項目所在服務(wù)的滿意度對用戶評分進(jìn)行修正，最終，利用修正的用戶評分進(jìn)行協(xié)同過濾。
　?。?）緩解數(shù)據(jù)稀疏性。只對用戶興趣發(fā)生偏移的用戶評分?jǐn)?shù)據(jù)進(jìn)行特殊處理，其他歷史數(shù)據(jù)直接參與用戶聚類，并不只是采用當(dāng)前時間窗口數(shù)據(jù)。
　?。?）把本文的基于用戶興趣變化動態(tài)聚類的協(xié)同過濾算法在聚類效率和推薦準(zhǔn)確性方面分別和其他的算法進(jìn)行對比實驗，實驗證明，在