基于用戶(hù)排名的聚類(lèi)協(xié)同過(guò)濾技術(shù)研究.pdf

1、隨著Web爆發(fā)式地增長(zhǎng)，推薦系統(tǒng)已經(jīng)廣泛的被用戶(hù)所接受。大量的互聯(lián)網(wǎng)用戶(hù)增加到形形色色的電子商務(wù)網(wǎng)站中去，這就使得推薦系統(tǒng)得到了得天獨(dú)厚的發(fā)展空間。隨著系統(tǒng)規(guī)模的不斷擴(kuò)大，如何快速有效的對(duì)不同的用戶(hù)做出個(gè)性化的推薦已經(jīng)成為每個(gè)推薦系統(tǒng)的首要目標(biāo)。協(xié)同過(guò)濾是推薦系統(tǒng)中最流行的技術(shù)，然而現(xiàn)有的大多數(shù)協(xié)同過(guò)濾算法都存在著“冷啟動(dòng)”、“數(shù)據(jù)稀疏性”等問(wèn)題。與此同時(shí)，目前大多數(shù)推薦系統(tǒng)往往忽略了用戶(hù)自身的權(quán)重，所有用戶(hù)的權(quán)重都被看成是相同的,這會(huì)

2、嚴(yán)重影響推薦系統(tǒng)的推薦質(zhì)量。綜上，如何在數(shù)據(jù)稀疏的情況下，通過(guò)利用用戶(hù)的權(quán)重值來(lái)提高推薦系統(tǒng)的推薦質(zhì)量成為本文主要的研究問(wèn)題。
　　本文通過(guò)分析傳統(tǒng)的基于項(xiàng)目的協(xié)同過(guò)濾算法中存在的問(wèn)題，提出了一種基于用戶(hù)排名的聚類(lèi)協(xié)同過(guò)濾技術(shù)的改進(jìn)算法，該算法綜合考慮了用戶(hù)權(quán)重和用戶(hù)評(píng)分矩陣稀疏性的影響。首先利用PageRank排名算法建立用戶(hù)排名計(jì)算模型，根據(jù)這個(gè)模型計(jì)算每個(gè)用戶(hù)的排名。然后將用戶(hù)排名加入到傳統(tǒng)的項(xiàng)目相似性和差異性的計(jì)算方法中，

3、根據(jù)改進(jìn)的項(xiàng)目相似性計(jì)算方法對(duì)項(xiàng)目進(jìn)行聚類(lèi)，找出目標(biāo)項(xiàng)目的最近鄰居候選集，根據(jù)改進(jìn)的項(xiàng)目差異性計(jì)算方法對(duì)目標(biāo)項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分并推薦項(xiàng)目。最后通過(guò)實(shí)驗(yàn)證明此推薦結(jié)果同基于項(xiàng)目聚類(lèi)的推薦結(jié)果相比有更好的推薦質(zhì)量。
　　用戶(hù)的排名在很大程度上決定著用戶(hù)在推薦系統(tǒng)中的地位。針對(duì)用戶(hù)評(píng)分?jǐn)?shù)據(jù)稀疏性問(wèn)題，本文提出了一種基于改進(jìn)的項(xiàng)目相似性計(jì)算方法的聚類(lèi)方法。該方法在計(jì)算項(xiàng)目相似性時(shí)加入用戶(hù)權(quán)重，通過(guò)該方法計(jì)算出項(xiàng)目間的相似性，然后利用K-me