基于用戶聚類的個(gè)性化推薦方法研究.pdf

1、近年來(lái)，互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展使得Web成為人們獲取信息的重要方式，用戶在面對(duì)愈加豐富的信息海洋和各種類型的信息，反而迷失其中。推薦系統(tǒng)可以緩解“信息過(guò)載”引發(fā)的“信息迷失”問(wèn)題。聚類技術(shù)應(yīng)用到推薦中可以緩解數(shù)據(jù)稀疏、擴(kuò)展性和冷啟動(dòng)等問(wèn)題，但聚類技術(shù)的引入并不是都能提高推薦的效果。這是由于聚類方法本身具有一定的缺陷，如聚類質(zhì)量不高、聚類結(jié)果不穩(wěn)定等，再把這種不是很好的聚類結(jié)果應(yīng)用到推薦中，必然會(huì)造成推薦質(zhì)量下降。如何巧妙地將聚類技術(shù)運(yùn)用到

2、推薦系統(tǒng)中來(lái)提高推薦結(jié)果的準(zhǔn)確率是基于聚類的推薦研究的重點(diǎn)。
　　本研究的思路是:通過(guò)聚類技術(shù)建立用戶聚類模型，利用該模型產(chǎn)生的填充評(píng)分可以解決協(xié)同過(guò)濾中數(shù)據(jù)稀疏性問(wèn)題，同時(shí)，利用該模型來(lái)配置物質(zhì)擴(kuò)散算法中非均勻的初始資源值。基于此研究思路提出了兩個(gè)推薦算法，合并聚類用戶評(píng)分的協(xié)同過(guò)濾推薦算法(UCCF)和基于用戶聚類的非均勻資源配置的物質(zhì)擴(kuò)散推薦算法(UCMD)。該推薦算法主要利用了聚類技術(shù)，把產(chǎn)生的用戶聚類模型引入到推薦中。本

3、論文的主要研究?jī)?nèi)容包括如下三個(gè)方面。
　　(1)針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法面臨的數(shù)據(jù)稀疏問(wèn)題，提出一種合并聚類用戶評(píng)分的協(xié)同過(guò)濾推薦算法。首先對(duì)用戶聚類，把目標(biāo)用戶所在聚類的其他用戶作為近鄰，合并聚類鄰居的評(píng)分可以產(chǎn)生新的評(píng)分項(xiàng)，把這些評(píng)分填充到原有評(píng)分記錄里。在新的評(píng)分?jǐn)?shù)據(jù)下，我們重新計(jì)算用戶間的相似度，通過(guò)這樣的方法查找到的近鄰較傳統(tǒng)方法查找到的準(zhǔn)確性更高，根據(jù)更加精準(zhǔn)的近鄰集合計(jì)算得到的預(yù)測(cè)評(píng)分準(zhǔn)確率也更高。
　　(2)

4、針對(duì)二部圖網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法中物品的初始資源值設(shè)置為0/1的做法，提出一種基于用戶聚類的非均勻資源配置的物質(zhì)擴(kuò)散推薦算法。首先根據(jù)用戶對(duì)物品的評(píng)分對(duì)用戶聚類，接著依據(jù)聚類模型，對(duì)目標(biāo)用戶選擇過(guò)的物品和與目標(biāo)用戶在同一個(gè)聚類的用戶選擇過(guò)的物品設(shè)置不同的初始資源，最后利用經(jīng)典的物質(zhì)擴(kuò)散算法進(jìn)行后續(xù)推薦。
　　(3)利用MovieLens站點(diǎn)上真實(shí)的數(shù)據(jù)集測(cè)試本研究提出的合并聚類用戶評(píng)分的協(xié)同過(guò)濾推薦算法(UCCF)和基于用戶聚類的非均