基于聚類的智能推薦算法研究.pdf

1、電商的迅猛發(fā)展在提升經(jīng)濟(jì)效益的同時，也逐步凸顯出推薦技術(shù)的各種問題。協(xié)同過濾算法作為使用最為普遍的推薦技術(shù)手段之一，它存在的數(shù)據(jù)稀疏、擴(kuò)展難等問題對于現(xiàn)今使用的各類大型推薦系統(tǒng)而言都是極大的挑戰(zhàn)。因此，本文研究協(xié)同過濾算法，不管是在推薦理論基礎(chǔ)上亦或是在應(yīng)用實踐層次上均有極其重要的價值。
　　本文綜合分析國內(nèi)外推薦技術(shù)研究成果，從理論探索到實驗驗證，在協(xié)同過濾算法的研究上提出了新的構(gòu)思，將聚類的思想與推薦技術(shù)相互融合，借以緩和推薦

2、技術(shù)中的問題。本文的主要內(nèi)容和創(chuàng)新包括：
　?。?）研究并實現(xiàn)基于K-means的屬性加權(quán)模糊C均值聚類算法。將K-means算法和屬性權(quán)重因子加入到FCM算法中，分別克服了FCM算法中對初始化聚類中心的依賴和漠視屬性貢獻(xiàn)度不一致的弊端；而FCM算法具有處理不確定數(shù)據(jù)集的優(yōu)勢。這個新研究將FCM算法聚類的優(yōu)勢最大化，由實驗也證明了該算法各性能的長處。
　?。?）研究并實現(xiàn)融合W2VE的模糊C均值聚類算法。利用Word2Vec

3、處理語義相似的優(yōu)勢，將其與 EMD結(jié)合，研究出基于 W2VE的相異性度量方法，用以衡量詞特征向量間的語義差異。從語義分析這一研究方向，打破了FCM算法處理文本的局限性，最大程度上保留了樣本在文本屬性上的相似性。這也通過實驗得到證實，這個新的研究在各性能上的優(yōu)勢。
　?。?）研究并實現(xiàn)基于聚類的智能推薦算法。從聚類的研究角度，將協(xié)同過濾算法的問題逐個解決。把兩個新的聚類算法分別融入到基于用戶、項目的協(xié)同過濾算法中；以最低推薦誤差為切