K-means算法性能改進(jìn)及在電影推薦系統(tǒng)中的應(yīng)用研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展及普及應(yīng)用，產(chǎn)生了海量的數(shù)據(jù)信息，對(duì)數(shù)據(jù)進(jìn)行聚類分析能夠產(chǎn)生巨大的商業(yè)價(jià)值，因此，K-means算法受到廣泛的研究和應(yīng)用。由于聚類挖掘的數(shù)據(jù)一般都呈現(xiàn)海量化、稀疏化的特性，傳統(tǒng)K-means算法因其運(yùn)行機(jī)制及計(jì)算策略，在處理上述海量化數(shù)據(jù)時(shí)極易出現(xiàn)內(nèi)存溢出問題。針對(duì)K-means算法在效率方面存在的問題，業(yè)內(nèi)學(xué)者提出并行抽樣K-means算法，但該算法卻仍存在聚類效果不穩(wěn)定和迭代次數(shù)過多的問題。
　　本文的

2、研究工作針對(duì)并行抽樣K-means算法的性能改進(jìn)以及在實(shí)際推薦系統(tǒng)中的應(yīng)用展開。具體的研究工作包括：
　　首先，研究提出了一種改進(jìn)的并行抽樣K-means算法IPSK（Improved Parallel Sampling K-means），該算法從總體數(shù)據(jù)集中并行化抽取多個(gè)樣本，對(duì)每個(gè)樣本進(jìn)行初始聚類中心計(jì)算，選取質(zhì)量較好的樣本初始聚類中心，并把所有聚類后的樣本聚類中心存入到一個(gè)聚類中心矩陣中，對(duì)矩陣中的點(diǎn)進(jìn)行聚類，將聚類得到的聚

3、類中心再作為聚類總體數(shù)據(jù)集的初始聚類中心。實(shí)驗(yàn)表明，本算法對(duì)樣本初始聚類中心的計(jì)算方式使得樣本初始聚類中心更具有代表性，減弱了算法對(duì)初始聚類中心的敏感程度，在面向大數(shù)據(jù)聚類時(shí)具有很好的準(zhǔn)確性和穩(wěn)定性；
　　其次，將 IPSK算法引入到基于用戶的協(xié)同過濾推薦算法中，設(shè)計(jì)了基于IPSK的用戶聚類協(xié)同過濾推薦算法（IPSK-UCF)；
　　最后，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)電影推薦系統(tǒng)，探索了IPSK-UCF算法在實(shí)際推薦系統(tǒng)中的應(yīng)用問題。該