基于聚類的個(gè)性化推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)上信息數(shù)量成指數(shù)級(jí)別增長(zhǎng)，網(wǎng)絡(luò)信息的產(chǎn)生速度超過(guò)人們能接收的程度，信息過(guò)載情況嚴(yán)重，而信息質(zhì)量參差不齊導(dǎo)致有用信息淹沒(méi)在信息海洋中。以搜索引擎為代表的信息檢索技術(shù)存在著需要用戶主動(dòng)提供明確的檢索目標(biāo)的局限性，以協(xié)同過(guò)濾思想為代表的個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生，成為解決互聯(lián)網(wǎng)信息過(guò)載問(wèn)題的有效途徑。
　　傳統(tǒng)的協(xié)同過(guò)濾算法根據(jù)其他用戶對(duì)項(xiàng)目的評(píng)價(jià)來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)項(xiàng)目的偏好，在用戶項(xiàng)目評(píng)分矩陣上尋找最近鄰居進(jìn)

2、行推薦，并沒(méi)有將電子商務(wù)系統(tǒng)中存在的用戶屬性信息和項(xiàng)目屬性信息有效利用，導(dǎo)致準(zhǔn)確率差；在查找目標(biāo)用戶的最近鄰居關(guān)鍵步驟中需要在整個(gè)用戶空間查找，存在著推薦實(shí)時(shí)性差的問(wèn)題；對(duì)用戶評(píng)分矩陣稀疏度敏感，在稀疏度高的系統(tǒng)中存在著準(zhǔn)確率急劇下降的問(wèn)題。
　　聚類技術(shù)能有效對(duì)對(duì)象劃分成組，使得同組對(duì)象之間屬性相似度高，處于不同組的對(duì)象相似度低，而協(xié)同過(guò)濾推薦算法的核心步驟也是通過(guò)計(jì)算相似度尋找目標(biāo)用戶的相似鄰居，將聚類技術(shù)應(yīng)用到推薦當(dāng)中能有效

3、的提高推薦系統(tǒng)的性能。
　　首先，針對(duì)協(xié)同過(guò)濾推薦的實(shí)時(shí)性問(wèn)題，介紹了在用戶項(xiàng)目評(píng)分矩陣上先對(duì)用戶聚類，在與目標(biāo)用戶相似度高的聚類簇中查找最近鄰居的方法，有效的降低了查詢空間，提高推薦實(shí)時(shí)性。
　　上述方法是在用戶項(xiàng)目評(píng)分矩陣上進(jìn)行，沒(méi)有結(jié)合項(xiàng)目屬性信息，提高實(shí)時(shí)性的同時(shí)帶來(lái)準(zhǔn)確率下降，本文提出了一種衡量用戶對(duì)項(xiàng)目屬性喜好程度的方法，將其用于上述聚類過(guò)程中，在保留了查詢空間降低的優(yōu)點(diǎn)同時(shí)，提高了推薦準(zhǔn)確率。
　　其次，

4、針對(duì)推薦準(zhǔn)確率差的問(wèn)題，本文提出了將引入模糊化改進(jìn)的 K-means算法在商品屬性矩陣進(jìn)行對(duì)項(xiàng)目進(jìn)行聚類，然后融合模糊聚類中項(xiàng)目對(duì)聚類簇的歸屬度相似度和用戶評(píng)分矩陣上計(jì)算出的相似度，通過(guò)實(shí)驗(yàn)表明本方法在準(zhǔn)確率上優(yōu)于傳統(tǒng)的混合推薦。
　　最后，針對(duì)用戶評(píng)分稀疏性問(wèn)題，本文提出用Fuzzy K-means模糊聚類算法分別在用戶屬性矩陣、項(xiàng)目屬性矩陣上聚類，將聚類簇中的平均值加權(quán)融合作為對(duì)稀疏矩陣的填充值。實(shí)驗(yàn)表明該方法能有效的解決數(shù)據(jù)