基于用戶興趣變化動(dòng)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(gè)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(shí)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(píng)分對(duì)用戶進(jìn)行聚類。因?yàn)橛脩魵v史評(píng)分可以反映用戶的興趣特點(diǎn)，根據(jù)用戶的歷史評(píng)分對(duì)用戶進(jìn)行聚類，可以將興趣點(diǎn)相似的用戶聚集在一起，在同一個(gè)簇中的用戶互為最近鄰。然而，如果在聚類前的某一時(shí)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(píng)分會(huì)失真。如果根據(jù)用戶全部的歷史評(píng)價(jià)進(jìn)行聚類，結(jié)果并不準(zhǔn)確。針對(duì)這一問題，有學(xué)者提出最近時(shí)間窗口內(nèi)聚類，用戶評(píng)分只采用最近時(shí)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(diǎn)，但這樣可能會(huì)忽略用戶的長(zhǎng)期興趣，而且，數(shù)據(jù)稀疏性問題將會(huì)更加嚴(yán)峻。針對(duì)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(dòng)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(xiàng)目特征網(wǎng)絡(luò)圖。多個(gè)相似的項(xiàng)目構(gòu)成

3、一個(gè)項(xiàng)目簇，以項(xiàng)目簇作為管理項(xiàng)目的基本單位，項(xiàng)目簇的建立是通過挖掘項(xiàng)目與項(xiàng)目之間固有和隱藏特征的相似性而獲得。可以方便的通過用戶訪問項(xiàng)目的軌跡，識(shí)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(diǎn)。同時(shí)，以項(xiàng)目簇管理比用項(xiàng)目結(jié)點(diǎn)管理項(xiàng)目更高效。
　　（2）識(shí)別興趣偏移用戶。通過用戶的訪問項(xiàng)目的軌跡，基于時(shí)間窗口建立馬爾科夫鏈模型，可以在動(dòng)態(tài)過程中找到用戶興趣的變化規(guī)律，從而識(shí)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(duì)

4、聚類所帶來的影響。
　?。?）緩解用戶興趣的被動(dòng)偏移。針對(duì)興趣偏移用戶，利用用戶對(duì)項(xiàng)目所在服務(wù)的滿意度對(duì)用戶評(píng)分進(jìn)行修正，最終，利用修正的用戶評(píng)分進(jìn)行協(xié)同過濾。
　?。?）緩解數(shù)據(jù)稀疏性。只對(duì)用戶興趣發(fā)生偏移的用戶評(píng)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(shí)間窗口數(shù)據(jù)。
　?。?）把本文的基于用戶興趣變化動(dòng)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(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)證明，在