基于自組織的聚類算法的個性化推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)時代的快速發(fā)展，互聯(lián)網(wǎng)信息日益復(fù)雜、多樣，人們通過網(wǎng)絡(luò)獲取自己所需信息的難度越來越大，信息過載問題日益嚴(yán)重。推薦系統(tǒng)是應(yīng)對該問題的方法之一。推薦算法是推薦系統(tǒng)的一部分。協(xié)同過濾推薦算法是一類經(jīng)典而重要的推薦算法。它在被使用時經(jīng)常需要應(yīng)對數(shù)據(jù)稀疏性及適應(yīng)性問題?，F(xiàn)有研究中解決數(shù)據(jù)稀疏性問題的方法之一是先聚類再進(jìn)行協(xié)同過濾。然而，大部分先聚類后協(xié)同過濾的推薦算法只支持離線學(xué)習(xí)，無法適用于信息頻繁更新的增量學(xué)習(xí)場景，適應(yīng)性較差。目前

2、已提出了少量適應(yīng)性較強(qiáng)、能適用于增量學(xué)習(xí)場景的先聚類的協(xié)同過濾推薦算法，但還存在一些不足，如聚類階段確定簇數(shù)的時間較長，推薦準(zhǔn)確度不夠高等。
　　針對現(xiàn)有研究中存在的不足，本文對先聚類的協(xié)同過濾算法進(jìn)行了研究，提出了一種能進(jìn)行簇數(shù)自適應(yīng)增長的先聚類后協(xié)同過濾的推薦算法——EEICF(Enhanced Efficient Incremental Collaborative Filtering)。相比現(xiàn)有算法，EEICF在一定程度上提

3、高了推薦準(zhǔn)確度，并且該算法在運(yùn)行過程中簇數(shù)量能自適應(yīng)增長，有效地降低了聚類階段確定簇數(shù)的耗時。
　　本文的研究工作如下：
　　1）提出了MWOSK-means(Modified Weighted Online Spherical K-means)算法，改進(jìn)了現(xiàn)有EICF(Efficient Incremental Collaborative Filtering)算法聚類階段的用戶權(quán)值和項(xiàng)目權(quán)值的計(jì)算方法，提高了推薦準(zhǔn)確度。<