基于用戶聚類和偏好的推薦算法研究.pdf

1、隨著科技的發(fā)展，Web2.0的廣泛應(yīng)用，互聯(lián)網(wǎng)上的資源飛速增長(zhǎng)，網(wǎng)絡(luò)提供的資源也更加豐富，但如何從這些資源中尋找到用戶感興趣的內(nèi)容依然是一個(gè)難題。推薦系統(tǒng)提供了一種基于用戶喜好主動(dòng)為用戶推薦其感興趣物品的方法，避免了用戶從海量數(shù)據(jù)中搜索信息的尷尬，增加資源的利用率。目前推薦系統(tǒng)大致可以分為三大類:基于內(nèi)容的推薦系統(tǒng)、協(xié)同過(guò)濾推薦系統(tǒng)和混合推薦系統(tǒng)，但在實(shí)際情況中，用戶和項(xiàng)目數(shù)量都是巨大的，評(píng)分?jǐn)?shù)據(jù)相對(duì)較少，構(gòu)造的用戶-項(xiàng)目評(píng)分矩陣會(huì)出現(xiàn)

2、大量空白項(xiàng)，出現(xiàn)數(shù)據(jù)稀疏問(wèn)題，影響用戶相似度計(jì)算準(zhǔn)確率，使得推薦結(jié)果不能讓用戶滿意。
　　為了提高推薦精度和緩解稀疏矩陣問(wèn)題，有學(xué)者提出基于用戶k-means聚類和偏好的推薦算法，該算法使用的k-means算法在處理非凸函數(shù)時(shí)，容易陷入局部最優(yōu)解，并且k-means算法形成的聚類簇多為球狀，另外，該算法還未考慮到用戶偏好會(huì)隨時(shí)間的變化而變化的特性，基于以上兩點(diǎn)，本文提出如下改進(jìn)辦法:
　　①由于譜聚類在任意形狀的樣本空間可以

3、對(duì)數(shù)據(jù)進(jìn)行聚類并得到最優(yōu)解，本文選用譜聚類算法對(duì)用戶進(jìn)行聚類;針對(duì)譜聚類中的尺度參數(shù)σ需要人工調(diào)控的特點(diǎn)，最終選用可以對(duì)尺度參數(shù)進(jìn)行優(yōu)化的基于信息熵的譜聚類算法。
　?、卺槍?duì)用戶偏好受時(shí)間影響較大，構(gòu)建用戶-項(xiàng)目評(píng)分矩陣時(shí)，引入時(shí)間影響因子;時(shí)間影響因子的定義參考艾賓浩斯遺忘曲線，對(duì)項(xiàng)目評(píng)分進(jìn)行時(shí)間優(yōu)化。
　　改進(jìn)后的基于用戶聚類和偏好的推薦算法能較好的適應(yīng)多種類型的數(shù)據(jù)，能對(duì)任意分布的數(shù)據(jù)進(jìn)行聚類，得到全局最優(yōu)解。算法考慮