基于用戶興趣聚類的協(xié)同過濾算法的研究與實(shí)現(xiàn).pdf

1、互聯(lián)網(wǎng)越來越深入的融入人們的生活，其中產(chǎn)生的信息大大超過了人們處理信息、利用信息的能力范圍，因此推薦系統(tǒng)的使用越來越受到重視。其中應(yīng)用最多的協(xié)同過濾推薦技術(shù)得到了廣泛的應(yīng)用和發(fā)展?，F(xiàn)有的單純協(xié)同過濾算法給出的推薦結(jié)果已經(jīng)不能滿足廣大用戶的需求。很多人考慮到了挖掘用戶的興趣愛好，給出更加符合用戶喜好的推薦結(jié)果。這類推薦過程是將有相同興趣愛好的用戶聚為一類，然后再根據(jù)和目標(biāo)用戶有相同興趣愛好的用戶的購(gòu)買情況，給目標(biāo)用戶推薦他可能購(gòu)買的商品。

2、
　　這種方式雖然也考慮了用戶的興趣偏好，但是它將用戶所有的評(píng)分記錄看作一個(gè)興趣整體。然而現(xiàn)實(shí)的情況是用戶在整個(gè)評(píng)分信息中可能包含不同興趣圈的商品并且用戶在不同的時(shí)間段內(nèi)關(guān)注的興趣圈也會(huì)不同，這里的興趣圈代表某些商品組成的一個(gè)聚類，用戶對(duì)其中某個(gè)商品感興趣的時(shí)候很可能會(huì)對(duì)其中其他的商品感興趣。因此本文提出的推薦系統(tǒng)考慮用戶興趣的時(shí)候，不是根據(jù)興趣將用戶聚類，而是根據(jù)用戶的評(píng)分記錄獲取潛在的大多數(shù)用戶可能感興趣的一些興趣圈，進(jìn)而計(jì)算

3、每個(gè)興趣圈的中心來代表每個(gè)興趣中心，然后根據(jù)用戶最近的評(píng)分記錄和興趣圈中心的相似性判斷用戶對(duì)每個(gè)興趣圈感興趣的程度，最后產(chǎn)生推薦結(jié)果。
　　為了獲取上面的興趣圈中心，需要將原始的用戶操作記錄轉(zhuǎn)化為適合聚類算法使用的評(píng)分記錄。為了從用戶操作的歷史記錄中提取用戶對(duì)各個(gè)興趣圈商品潛在的評(píng)分信息，需要先將用戶的操作類型轉(zhuǎn)換成用戶對(duì)商品的評(píng)分。然后將用戶在同一天對(duì)同一商品的評(píng)分進(jìn)行累加合并，這個(gè)過程能夠減少數(shù)據(jù)量，降低后面操作的復(fù)雜度。接著

4、根據(jù)用戶評(píng)分的時(shí)間（具體到天）將用戶在每個(gè)連續(xù)的時(shí)間段內(nèi)評(píng)分的商品歸類到一個(gè)興趣圈，并將興趣圈內(nèi)相同商品的評(píng)分信息進(jìn)行合并。最后將前面獲得的興趣圈內(nèi)商品的評(píng)分信息轉(zhuǎn)化為一條興趣圈的評(píng)分記錄。下面對(duì)所有的興趣圈評(píng)分記錄進(jìn)行聚類，使用聚類中心來代表每個(gè)興趣圈。
　　本文給出的推薦系統(tǒng)使用的聚類算法是蟻群聚類算法，這種聚類方式具有正向反饋和獲取全局最優(yōu)解的特點(diǎn)。另外為了加快聚類算法收斂，本文使用K-means聚類算法來產(chǎn)生蟻群聚類算法的

5、初始聚類中心。這種方式結(jié)合了兩者的優(yōu)點(diǎn)，最終使得算法更加準(zhǔn)確、高效。獲得了興趣圈中心后，計(jì)算用戶最近評(píng)分記錄和各個(gè)興趣圈中心的相似性，再使用協(xié)同過濾算法產(chǎn)生用戶的推薦列表。
　　最后本文設(shè)計(jì)實(shí)驗(yàn)來驗(yàn)證提出算法的性能以及運(yùn)行特點(diǎn)。實(shí)驗(yàn)結(jié)果顯示，基于用戶興趣聚類的協(xié)同過濾算法性能遠(yuǎn)好于傳統(tǒng)基于用戶聚類的協(xié)同過濾算法；雖然基于蟻群聚類算法的綜合評(píng)價(jià)指數(shù)F1對(duì)于基于K-means聚類算法沒有明顯提高，不過可以驗(yàn)證在初始聚類中心合適的情況下