基于用戶興趣變化動態(tài)聚類的協(xié)同過濾算法.pdf

1、基于用戶的協(xié)同過濾是一種重要的個性化推薦機制，這種機制認為目標用戶最近鄰的推薦最容易被接受。因此，如何準確找到目標用戶的最近鄰是實現(xiàn)基于用戶協(xié)同過濾機制的關鍵性問題。目前，發(fā)現(xiàn)用戶最近鄰的主要方法是基于用戶歷史評分對用戶進行聚類。因為用戶歷史評分可以反映用戶的興趣特點，根據用戶的歷史評分對用戶進行聚類，可以將興趣點相似的用戶聚集在一起，在同一個簇中的用戶互為最近鄰。然而，如果在聚類前的某一時刻，有些用戶的興趣發(fā)生偏移，導致這類用戶的歷史

2、評分會失真。如果根據用戶全部的歷史評價進行聚類，結果并不準確。針對這一問題，有學者提出最近時間窗口內聚類，用戶評分只采用最近時間窗口內數據，盡管該方法可以定位用戶最新的興趣點，但這樣可能會忽略用戶的長期興趣，而且，數據稀疏性問題將會更加嚴峻。針對用戶興趣偏移之后，導致用戶聚類不準確問題，本文提出了一種基于用戶興趣變化動態(tài)聚類的協(xié)同過濾算法。論文所做的主要工作，主要分為以下幾方面：
　　（1）提出了項目特征網絡圖。多個相似的項目構成

3、一個項目簇，以項目簇作為管理項目的基本單位，項目簇的建立是通過挖掘項目與項目之間固有和隱藏特征的相似性而獲得?？梢苑奖愕耐ㄟ^用戶訪問項目的軌跡，識別出用戶興趣的偏移。滿足簇內部高內聚，簇之間低耦合的特點。同時，以項目簇管理比用項目結點管理項目更高效。
　?。?）識別興趣偏移用戶。通過用戶的訪問項目的軌跡，基于時間窗口建立馬爾科夫鏈模型，可以在動態(tài)過程中找到用戶興趣的變化規(guī)律，從而識別出用戶當前真正的興趣，從而避免由于用戶興趣偏移對

4、聚類所帶來的影響。
　?。?）緩解用戶興趣的被動偏移。針對興趣偏移用戶，利用用戶對項目所在服務的滿意度對用戶評分進行修正，最終，利用修正的用戶評分進行協(xié)同過濾。
　?。?）緩解數據稀疏性。只對用戶興趣發(fā)生偏移的用戶評分數據進行特殊處理，其他歷史數據直接參與用戶聚類，并不只是采用當前時間窗口數據。
　?。?）把本文的基于用戶興趣變化動態(tài)聚類的協(xié)同過濾算法在聚類效率和推薦準確性方面分別和其他的算法進行對比實驗，實驗證明，在