基于云模型和用戶聚類的協(xié)同過(guò)濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,數(shù)據(jù)呈現(xiàn)爆炸式增長(zhǎng)，信息過(guò)載問(wèn)題越來(lái)越引人注目。協(xié)同過(guò)濾推薦技術(shù)在解決信息過(guò)載問(wèn)題方面已經(jīng)取得了不錯(cuò)的效果，但在實(shí)際應(yīng)用中隨著用戶和項(xiàng)目的增多，數(shù)據(jù)稀疏性和擴(kuò)展性等問(wèn)題仍然制約了算法的性能，這些問(wèn)題成為該領(lǐng)域的研究熱點(diǎn)問(wèn)題，具有很好的研究?jī)r(jià)值。因此，如何有效緩解基于協(xié)同過(guò)濾算法推薦系統(tǒng)中的數(shù)據(jù)稀疏性等問(wèn)題、進(jìn)一步提高推薦系統(tǒng)的預(yù)測(cè)準(zhǔn)確度是本課題研究的主要目標(biāo)。
　　聚類技術(shù)常用于推薦系統(tǒng)中對(duì)用戶進(jìn)行聚類，

2、挖掘用戶的相似群體，進(jìn)而有效的尋找合理的相似近鄰集合，從而提高預(yù)測(cè)準(zhǔn)確度。因此，針對(duì)傳統(tǒng)Fuzzy C-Means算法對(duì)初始點(diǎn)敏感，易陷入局部最優(yōu)解的缺陷進(jìn)行了改進(jìn)，提出了一種改進(jìn)的模糊聚類算法（SoMKfcm算法）。首先，提出了一種初始聚類中心選擇策略，有效避免噪音數(shù)據(jù)點(diǎn)的影響；其次，目標(biāo)函數(shù)結(jié)合了樣本加權(quán)和樣本聚類中心距離，增加樣本屬性的非均衡性；最終對(duì)迭代求解過(guò)程進(jìn)行優(yōu)化，結(jié)合了模擬退火算法，加入了求解的隨機(jī)跳躍性，避免結(jié)果陷入局

3、部最優(yōu)解。在MATLAB平臺(tái)基于真實(shí)數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的算法相比，SoMKfcm算法具有更好的聚類效果和較好聚類準(zhǔn)確度，并有效的改善傳統(tǒng)算法的缺陷。
　　在上述工作基礎(chǔ)上，基于評(píng)分?jǐn)?shù)據(jù)和用戶個(gè)人信息數(shù)據(jù)，提出了一種結(jié)合云模型和用戶特征聚類的推薦算法(CCCF算法)。首先，利用用戶個(gè)人信息和云模型逆向云算法來(lái)重構(gòu)評(píng)分?jǐn)?shù)據(jù)，生成用戶融合行為偏好向量。其次，在融合行為偏好矩陣的基礎(chǔ)上利用SoMKfcm方法對(duì)用戶進(jìn)行模糊聚類，給