基于數(shù)據(jù)分類的交替最小二乘推薦算法的研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展與普及，用戶不再僅僅從網(wǎng)絡獲取信息，同時也時刻在制造信息和傳播信息?；ヂ?lián)網(wǎng)用戶越來越多，在網(wǎng)絡上產(chǎn)生的網(wǎng)絡信息也就呈現(xiàn)爆發(fā)式增長，面對網(wǎng)絡上各種信息，人們往往很難從其中找到自己真正想要的，這樣就會在海量信息面前顯得迷茫。人們迫切需要找到一種新的技術來解決這一困難。于是，個性化推薦技術誕生了。個性化推薦技術根據(jù)用戶或者項目的基本信息或者歷史行為信息來建立模型，計算推測出用戶最有可能喜歡的信息，并向用戶推薦。
　　

2、基于對個性化推薦算法存在的數(shù)據(jù)稀疏性問題、可擴展性問題，提出了一種基于分類的交替最小二乘推薦算法，該算法先提取商品的基本屬性信息，然后分別利用樸素貝葉斯算法、聚類算法、決策樹算法對這些屬性信息進行處理，將商品進行分類。通過分類，有效的降低了用戶商品評分矩陣的規(guī)模，同時降低了矩陣的稀疏性，有利于提高推薦算法的準確度。最后，利用交替最小二乘模型對用戶商品評分矩陣進行處理，得出最后的推薦結果。
　　利用亞馬遜電商平臺真實數(shù)據(jù)集分別對交替

3、最小二乘推薦算法、基于樸素貝葉斯的交替最小二乘推薦算法、基于聚類的交替最小二乘推薦算法以及基于決策樹的交替最小二乘推薦算法進行測試。實驗結果表明，當數(shù)據(jù)量達到一定規(guī)模，基于分類的交替最小二乘推薦算法比交替最小二乘推薦算法具有更高的推薦效率以及更高的推薦準確度。而三種基于分類的交替最小二乘推薦算法中，基于決策樹的交替最小二乘推薦算法具有最高的運行效率，基于聚類的交替最小二乘推薦算法具有最高的推薦準確度，分別適用于不同的應用場景。同時，通過