結(jié)合用戶聚類的協(xié)同過濾推薦算法研究.pdf

1、隨著信息2.0時(shí)代的到來，互聯(lián)網(wǎng)的飛速發(fā)展使得人們獲取信息的方式越來越容易，用戶在面對(duì)海量的數(shù)據(jù)難以快速而準(zhǔn)確的檢索到對(duì)自己有用的信息，即信息過載問題。個(gè)性化推薦系統(tǒng)可以有效的解決信息過載問題，其核心就是推薦算法，而協(xié)同過濾算法就是一種研究成熟、廣泛應(yīng)用的推薦算法。
　　推薦系統(tǒng)都會(huì)受到數(shù)據(jù)稀疏問題的影響，主要通過用戶相似度計(jì)算的不準(zhǔn)確性來體現(xiàn)。針對(duì)數(shù)據(jù)稀疏問題，本文從用戶預(yù)先聚類和用戶相似度算法改進(jìn)兩個(gè)方面進(jìn)行了研究，分別提出了

2、SKCA算法和RWDS算法，然后再將兩種方法進(jìn)行融合提出了結(jié)合用戶聚類的協(xié)同過濾推薦算法。
　　從用戶聚類的思考出發(fā)，引入了物理學(xué)中的拓?fù)鋭輬隼碚摬⑼ㄟ^拓?fù)鋭葜颠M(jìn)行用戶重要性表示，針對(duì)K-means聚類算法需要用戶自行確定類別個(gè)數(shù)這一不足，結(jié)合勢場的影響因子對(duì)K-means算法進(jìn)行改進(jìn)提出了SKCA算法。SKCA算法可以自適應(yīng)的選取聚類中心后計(jì)算出聚類結(jié)果以及各個(gè)類的代表用戶，目標(biāo)用戶只需選擇最近鄰代表用戶所在類中進(jìn)行協(xié)同過濾推薦

3、，結(jié)合MovieLens數(shù)據(jù)集與其它幾種聚類算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，SKCA算法可以實(shí)現(xiàn)推薦質(zhì)量的提升。
　　從用戶相似度算法改進(jìn)的思考出發(fā)，首先根據(jù)用戶的評(píng)分?jǐn)?shù)據(jù)對(duì)與用戶評(píng)分習(xí)慣相異的反常評(píng)分項(xiàng)給予更高的權(quán)值以實(shí)現(xiàn)對(duì)項(xiàng)目加權(quán)，然后在Jaccard相似度僅考慮共同評(píng)分項(xiàng)比重的基礎(chǔ)上加入共同評(píng)分項(xiàng)間差值的考慮以實(shí)現(xiàn)對(duì)相似度算法的改進(jìn)，再將兩者綜合起來提出了RWDS方法。RWDS算法加入了評(píng)分的全局表現(xiàn)并充分利用評(píng)分的專業(yè)意義