基于聚類的協(xié)同過濾個(gè)性化推薦算法研究.pdf

1、隨著信息技術(shù)和互聯(lián)網(wǎng)的快速發(fā)展，信息資源成指數(shù)級(jí)別增長，面對(duì)嚴(yán)重過載的信息，用戶很難快速定位到對(duì)自己有用的信息資源，從而耗費(fèi)大量的時(shí)間搜尋自己想要的內(nèi)容。這使得推薦系統(tǒng)應(yīng)運(yùn)而生，它能夠根據(jù)不同用戶的喜好來有針對(duì)性地為其提供個(gè)性化推薦服務(wù)。目前，在眾多的個(gè)性化推薦技術(shù)中，協(xié)同過濾算法表現(xiàn)出其獨(dú)有的優(yōu)勢(shì)，以致它被廣泛的應(yīng)用，特別在電子商務(wù)領(lǐng)域取得了相當(dāng)大的成功，但是傳統(tǒng)的協(xié)同過濾算法存在數(shù)據(jù)稀疏性、冷啟動(dòng)、實(shí)時(shí)性等問題，如果能有效的克服，不

2、僅能夠提高用戶滿意度，同時(shí)還提高銷售利潤。
　　本文以推薦系統(tǒng)為基礎(chǔ)，以推薦技術(shù)為主線，研究了個(gè)性化推薦系統(tǒng)，個(gè)性化推薦算法及相關(guān)技術(shù)，并進(jìn)行比較分析;接著針對(duì)目前應(yīng)用較好的協(xié)同過濾算法的問題，引入了項(xiàng)目屬性和用戶特征來構(gòu)建項(xiàng)目屬性矩陣和用戶特征矩陣，提出基于用戶相關(guān)相似性和基于項(xiàng)目相關(guān)相似性計(jì)算方法;另外，對(duì)聚類技術(shù)進(jìn)行了相關(guān)研究，利用Kruskal算法對(duì)傳統(tǒng)K-means聚類進(jìn)行改進(jìn)，實(shí)現(xiàn)自動(dòng)確定初始聚類中心;最后對(duì)基于用戶和

3、項(xiàng)目方向的聚類進(jìn)行了相關(guān)研究，提出將基于項(xiàng)目屬性聚類的初始預(yù)測結(jié)合基于用戶特征聚類的最終預(yù)測來做出推薦。主要在如下幾個(gè)方面做了研究工作:
　　第一，針對(duì)傳統(tǒng)協(xié)同過濾算法過度依賴于用戶—項(xiàng)目評(píng)分矩陣會(huì)面臨嚴(yán)重的數(shù)據(jù)稀疏性問題、冷啟動(dòng)問題，本文將用戶特征信息和項(xiàng)目屬性信息有效利用，避免出現(xiàn)“相似而不相同”的現(xiàn)象的同時(shí)也克服了新項(xiàng)目和新用戶問題，提出了分別基于項(xiàng)目屬性和基于用戶特征相關(guān)的相似性計(jì)算方法;
　　第二，對(duì)傳統(tǒng)K-mea

4、ns聚類進(jìn)行了深入研究，針對(duì)其初始聚類中心人為隨機(jī)選擇敏感的問題，提出了一種能夠自動(dòng)生成相對(duì)比較均勻分布的K個(gè)初始聚類中心的改進(jìn)聚類算法;
　　第三，為有效的降低了協(xié)同過濾算法中近鄰查詢空間，同時(shí)在項(xiàng)目屬性和用戶特征矩陣上分別采用改進(jìn)后的聚類算法進(jìn)行聚類，明顯能降低計(jì)算維度，提高推薦效率;
　　第四，針對(duì)用戶評(píng)分稀疏性問題，結(jié)合基于項(xiàng)目聚類的鄰居查找結(jié)果和原始評(píng)分矩陣做基于項(xiàng)目的初始預(yù)測填充原始評(píng)分矩陣。其中，缺乏評(píng)分的新用