基于用戶情景模糊聚類的協(xié)同推薦研究及應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的蓬勃發(fā)展，大量的數(shù)據(jù)資源充斥在網(wǎng)絡(luò)之中，人們不得不花費(fèi)較長的時間選擇自己喜歡的資源。個性化推薦系統(tǒng)的出現(xiàn)較好地解決了這一問題，成為當(dāng)今越來越受關(guān)注的研究領(lǐng)域。目前，一些新的推薦方法和推薦技術(shù)相繼出現(xiàn)。比較常用的推薦算法有基于關(guān)聯(lián)規(guī)則的推薦算法、基于內(nèi)容的推薦算法、協(xié)同過濾推薦算法以及混合推薦算法。
　　協(xié)同過濾推薦技術(shù)是個性化推薦系統(tǒng)中應(yīng)用最廣泛且最成熟的推薦技術(shù)。它通過分析用戶的歷史行為數(shù)據(jù)找出目標(biāo)用

2、戶（或項(xiàng)目）的最近鄰居集，進(jìn)而參考鄰居集合的喜好來預(yù)測目標(biāo)用戶的喜好，實(shí)現(xiàn)推薦。但其仍存在許多問題需要解決，主要有數(shù)據(jù)稀疏性、冷啟動和算法擴(kuò)展性差的問題。此外，還有新用戶以及情景缺失等問題。
　　對此，本文提出一種基于用戶情景模糊聚類的協(xié)同推薦算法。該算法綜合考慮了用戶評分信息和用戶情景信息這兩個因素對推薦的影響，主要工作有三點(diǎn)。
　　第一點(diǎn)，將聚類技術(shù)應(yīng)用于協(xié)同過濾推薦系統(tǒng)中，提出了一種基于用戶情景模糊聚類的協(xié)同過濾推薦技

3、術(shù)。第二點(diǎn)，提出了一種傳統(tǒng)的協(xié)同過濾中用戶相似性度量的改進(jìn)算法。第三點(diǎn)，提出根據(jù)用戶間的綜合相似性尋找目標(biāo)用戶的最近鄰居。對于第一點(diǎn)，首先根據(jù)用戶情景信息利用模糊聚類算法對用戶進(jìn)行聚類，將情景信息相似的用戶放入同一個聚類中。下一步的協(xié)同過濾是在具有相似情景的用戶群中進(jìn)行的，具有相似屬性的人更容易產(chǎn)生相似的興趣愛好；同時，最近鄰居是在目標(biāo)用戶所屬的小的聚類中生成的，降低了計(jì)算所需的矩陣的維數(shù)，提高了算法的可擴(kuò)展性。對于第二點(diǎn)，在計(jì)算用戶相

4、似度時，先利用Slope One算法對稀疏矩陣中的評分缺失項(xiàng)目進(jìn)行預(yù)測填充，再在新矩陣上進(jìn)行計(jì)算，有效改善了數(shù)據(jù)稀疏性問題，提高了鄰居用戶選取的準(zhǔn)確性。對于第三點(diǎn)，綜合考慮了用戶情景信息及用戶評分信息對推薦的影響，將用戶主觀評分相似性與用戶客觀情景信息相似性以一定的權(quán)重結(jié)合起來得到用戶間的綜合相似性，使得沒有進(jìn)行過任何評價(jià)的新用戶也能得到推薦。
　　本文在MovieLens數(shù)據(jù)集上采用平均絕對偏差（MAE）和平均相對偏差絕對值(M