基于用戶聚類的個性化推薦方法研究.pdf

1、近年來，互聯(lián)網技術的迅猛發(fā)展使得Web成為人們獲取信息的重要方式，用戶在面對愈加豐富的信息海洋和各種類型的信息，反而迷失其中。推薦系統(tǒng)可以緩解“信息過載”引發(fā)的“信息迷失”問題。聚類技術應用到推薦中可以緩解數據稀疏、擴展性和冷啟動等問題，但聚類技術的引入并不是都能提高推薦的效果。這是由于聚類方法本身具有一定的缺陷，如聚類質量不高、聚類結果不穩(wěn)定等，再把這種不是很好的聚類結果應用到推薦中，必然會造成推薦質量下降。如何巧妙地將聚類技術運用到

2、推薦系統(tǒng)中來提高推薦結果的準確率是基于聚類的推薦研究的重點。
　　本研究的思路是:通過聚類技術建立用戶聚類模型，利用該模型產生的填充評分可以解決協(xié)同過濾中數據稀疏性問題，同時，利用該模型來配置物質擴散算法中非均勻的初始資源值。基于此研究思路提出了兩個推薦算法，合并聚類用戶評分的協(xié)同過濾推薦算法(UCCF)和基于用戶聚類的非均勻資源配置的物質擴散推薦算法(UCMD)。該推薦算法主要利用了聚類技術，把產生的用戶聚類模型引入到推薦中。本

3、論文的主要研究內容包括如下三個方面。
　　(1)針對傳統(tǒng)協(xié)同過濾推薦算法面臨的數據稀疏問題，提出一種合并聚類用戶評分的協(xié)同過濾推薦算法。首先對用戶聚類，把目標用戶所在聚類的其他用戶作為近鄰，合并聚類鄰居的評分可以產生新的評分項，把這些評分填充到原有評分記錄里。在新的評分數據下，我們重新計算用戶間的相似度，通過這樣的方法查找到的近鄰較傳統(tǒng)方法查找到的準確性更高，根據更加精準的近鄰集合計算得到的預測評分準確率也更高。
　　(2)

4、針對二部圖網絡結構的推薦算法中物品的初始資源值設置為0/1的做法，提出一種基于用戶聚類的非均勻資源配置的物質擴散推薦算法。首先根據用戶對物品的評分對用戶聚類，接著依據聚類模型，對目標用戶選擇過的物品和與目標用戶在同一個聚類的用戶選擇過的物品設置不同的初始資源，最后利用經典的物質擴散算法進行后續(xù)推薦。
　　(3)利用MovieLens站點上真實的數據集測試本研究提出的合并聚類用戶評分的協(xié)同過濾推薦算法(UCCF)和基于用戶聚類的非均