基于用戶聚類和偏好的推薦算法研究.pdf

1、隨著科技的發(fā)展，Web2.0的廣泛應(yīng)用，互聯(lián)網(wǎng)上的資源飛速增長，網(wǎng)絡(luò)提供的資源也更加豐富，但如何從這些資源中尋找到用戶感興趣的內(nèi)容依然是一個難題。推薦系統(tǒng)提供了一種基于用戶喜好主動為用戶推薦其感興趣物品的方法，避免了用戶從海量數(shù)據(jù)中搜索信息的尷尬，增加資源的利用率。目前推薦系統(tǒng)大致可以分為三大類:基于內(nèi)容的推薦系統(tǒng)、協(xié)同過濾推薦系統(tǒng)和混合推薦系統(tǒng)，但在實際情況中，用戶和項目數(shù)量都是巨大的，評分數(shù)據(jù)相對較少，構(gòu)造的用戶-項目評分矩陣會出現(xiàn)

2、大量空白項，出現(xiàn)數(shù)據(jù)稀疏問題，影響用戶相似度計算準確率，使得推薦結(jié)果不能讓用戶滿意。
　　為了提高推薦精度和緩解稀疏矩陣問題，有學(xué)者提出基于用戶k-means聚類和偏好的推薦算法，該算法使用的k-means算法在處理非凸函數(shù)時，容易陷入局部最優(yōu)解，并且k-means算法形成的聚類簇多為球狀，另外，該算法還未考慮到用戶偏好會隨時間的變化而變化的特性，基于以上兩點，本文提出如下改進辦法:
　　①由于譜聚類在任意形狀的樣本空間可以

3、對數(shù)據(jù)進行聚類并得到最優(yōu)解，本文選用譜聚類算法對用戶進行聚類;針對譜聚類中的尺度參數(shù)σ需要人工調(diào)控的特點，最終選用可以對尺度參數(shù)進行優(yōu)化的基于信息熵的譜聚類算法。
　?、卺槍τ脩羝檬軙r間影響較大，構(gòu)建用戶-項目評分矩陣時，引入時間影響因子;時間影響因子的定義參考艾賓浩斯遺忘曲線，對項目評分進行時間優(yōu)化。
　　改進后的基于用戶聚類和偏好的推薦算法能較好的適應(yīng)多種類型的數(shù)據(jù)，能對任意分布的數(shù)據(jù)進行聚類，得到全局最優(yōu)解。算法考慮