半監(jiān)督聚類在數(shù)字圖書(shū)推薦中的應(yīng)用研究.pdf

1、當(dāng)前，推薦方式通常被分為三類：基于內(nèi)容的推薦方法，協(xié)同過(guò)濾推薦方法和混合推薦方法?；趦?nèi)容的推薦是為客戶推薦其以往偏愛(ài)的產(chǎn)品的相似產(chǎn)品。它沒(méi)有考慮到用戶反饋的信息和用戶暗含的興趣，這樣就會(huì)導(dǎo)致結(jié)果的不正確。協(xié)同過(guò)濾推薦首先尋找當(dāng)前客戶的鄰居客戶，之后把鄰居客戶喜愛(ài)的商品推薦給當(dāng)前客戶。所以協(xié)同過(guò)濾推薦亟待解決的難題即是數(shù)據(jù)稀疏與冷啟動(dòng)。
　　半監(jiān)督聚類就是在無(wú)監(jiān)督學(xué)習(xí)的基礎(chǔ)上添加較少的監(jiān)督信息，然后使用這些監(jiān)督信息來(lái)提升聚類效果。

2、度量函數(shù)在聚類中非常常見(jiàn)，常用的度量方式采用歐式距離，但是歐式距離同樣存在很多不足之處：歐式距離度量對(duì)于橢圓形數(shù)據(jù)的處理效果很差；如果數(shù)據(jù)集里面的樣本之間相關(guān)性很高，歐式距離度量的效果就不夠理想；假如數(shù)據(jù)樣本集的維數(shù)很大，計(jì)算量會(huì)非常大，那么算法的時(shí)間復(fù)雜度就會(huì)很高。
　　針對(duì)上述推薦方法與半監(jiān)督聚類的問(wèn)題，本文將改進(jìn)的馬氏距離用于半監(jiān)督聚類，旨在實(shí)現(xiàn)多種推薦方法用于數(shù)字圖書(shū)推薦。具體研究工作如下：
　　（1）針對(duì)協(xié)同過(guò)濾推

3、薦中相似度計(jì)算的方法比較少這一問(wèn)題，以及歐式距離只對(duì)球形數(shù)據(jù)的處理效果較好，橢圓形數(shù)據(jù)的處理效果很差這一缺點(diǎn)，將基于熵理論的馬氏距離用于度量。然后與高斯混合模型相結(jié)合，用于半監(jiān)督聚類，構(gòu)建目標(biāo)函數(shù)，提高聚類質(zhì)量。
　　（2）監(jiān)督信息不止包括數(shù)據(jù)標(biāo)簽，也包含樣本的連接約束關(guān)系，但是通常研究會(huì)忽略約束關(guān)系。約束條件就是，必需同在一類的歸為Must-Link，肯定不在一類的歸為Cannot-Link。所以在聚類之前，將約束關(guān)系作為先驗(yàn)條