基于譜聚類的個(gè)性化推薦系統(tǒng)研究.pdf

1、隨著web2.0和電子商務(wù)的快速發(fā)展，信息資源正在指數(shù)型增長。目前，解決信息過載的一種有效方法就是采用推薦系統(tǒng)，而協(xié)同過濾是推薦系統(tǒng)中運(yùn)用最廣泛的算法，但是其依然存在數(shù)據(jù)稀疏性、可擴(kuò)展性以及冷啟動等問題。
　　與此同時(shí)，大多數(shù)個(gè)性化推薦系統(tǒng)往往忽略用戶本身的一些特征屬性，比如年齡、性別和職業(yè)，在用戶-項(xiàng)目評分?jǐn)?shù)據(jù)難以獲得的情況下，會嚴(yán)重影響個(gè)性化推薦系統(tǒng)的推薦精度。在分析比較各種常用個(gè)性化推薦算法及相關(guān)技術(shù)之后，本文以數(shù)據(jù)稀疏性和

2、冷啟動問題為立足點(diǎn)，旨在提高個(gè)性化推薦系統(tǒng)的推薦精度并降低推薦算法的時(shí)間復(fù)雜性，對基于譜聚類的個(gè)性化推薦系統(tǒng)進(jìn)行了研究，具體研究內(nèi)容包括：
　?。?）將譜聚類引進(jìn)到個(gè)性化推薦系統(tǒng)中，利用加權(quán)核模糊聚類和初始質(zhì)心選擇算法對譜聚類進(jìn)行改進(jìn)，并修正 Person相關(guān)性。最后將改進(jìn)的譜聚類和相似性度量方法與協(xié)同過濾結(jié)合，得到了兩種改進(jìn)的基于用戶譜聚類的協(xié)同過濾推薦算法。在 MovieLens100K數(shù)據(jù)集上，上述兩種算法的平均絕對誤差(M

3、ean Absolutre Error, MAE)以及均方根誤差(Root Mean Square Error, RMSE)較傳統(tǒng)的K-means聚類協(xié)同過濾算法至少降低了4％，運(yùn)行時(shí)間至少減少了一半；在MovileLens1M數(shù)據(jù)集上，MAE與RMSE值至少改善了2%，運(yùn)行時(shí)間減少了80%。
　?。?）基于用戶特征屬性，提出了用戶年齡、性別、職業(yè)的預(yù)處理方式，獲得用戶特征屬性矩陣后，提出了基于用戶特征屬性譜聚類協(xié)同過濾算法。

4、r>　?。?）針對偏差奇異值分解（Bias Singular Value Decomposition, BSVD）算法存在的過擬合問題，綜合利用用戶特征屬性和用戶-項(xiàng)目歷史評分記錄，將上述所提出的基于用戶特征屬性譜聚類與 BSVD模型相結(jié)合，并在模型中增加了一個(gè)新用戶判斷來解決冷啟動問題，最后得到了一種改進(jìn)的推薦算法。在MovieLens100K數(shù)據(jù)上，該算法與BSVD分解算法相比較，其MAE和RMSE值至少減少了6%，在數(shù)據(jù)集Movi