基于改進的K-means和奇異值分解的協(xié)同過濾研究.pdf

1、協(xié)同過濾技術是減少信息過載常用方法，當前大多數(shù)基于協(xié)同過濾的推薦算法普遍存在著可擴展性低和數(shù)據(jù)稀疏性問題。針對上述問題，本文在傳統(tǒng)的基于SVD的協(xié)同過濾算法和基于K-means的協(xié)同過濾算法的基礎上，針對數(shù)據(jù)稀疏性和算法的擴展性問題提出了基于改進的K-means和奇異值分解的協(xié)同過濾推薦算法。主要工作包括以下三個方面:
　　首先，基于K-means的協(xié)同過濾算法雖然通過聚類技術將搜索目標用戶的最近鄰居的范圍縮小到某個聚類中，降低了

2、計算量，提高了算法的實時性和可擴展性，而當評分數(shù)據(jù)高維稀疏時，推薦精度往往較低。針對上述問題，本文利用SVD降維預測填補技術將原始數(shù)據(jù)中的未評分項利用用戶的評分平均值進行填補，提高算法的抗稀疏性。
　　其次，基于SVD的協(xié)同過濾算法雖然克服了稀疏性問題，但在協(xié)同過濾推薦時，需要在整個數(shù)據(jù)空間內(nèi)搜索最近鄰居，計算量大，擴展性低。此外，為了避免傳統(tǒng)K-means方法因初始聚類中心的隨機選擇而導致的收斂速度慢，聚類結果不穩(wěn)定，且存在局部

3、極小問題，本文利用改進的K-means聚類方法將搜索最近鄰居的范圍縮小到某個聚類中，降低了計算量，提高了算法的可擴展性。
　　最后，在評分數(shù)據(jù)高維稀疏的情況下，提出了一種基于改進的K-means和奇異值分解的協(xié)同過濾推薦算法。該算法首先利用SVD技術對原始高維稀疏數(shù)據(jù)進行預測填補;然后利用改進的K-means聚類方法在填補完整的數(shù)據(jù)上聚類;最后在目標聚類中進行協(xié)同過濾推薦。
　　為了驗證本文提出的推薦算法的有效性，在Movi