基于項目分類和K-means聚類的加權Slope One算法研究.pdf

1、協(xié)同過濾推薦算法是現(xiàn)實世界應用最廣泛、最成熟的算法之一。本課題研究的Slope One算法就是一種基于項目的協(xié)同過濾推薦算法，該算法因其簡單高效的特點受到眾多學者的青睞。但該算法將所有用戶和項目看的同等重要，當數(shù)據(jù)集過于稀疏時算法的預測精度和可擴展性都面臨嚴峻挑戰(zhàn)。針對這些問題，本課題提出了相應的改進措施。
　　首先，簡單介紹了推薦系統(tǒng)產(chǎn)生的背景和研究現(xiàn)狀，描述了協(xié)同過濾推薦算法的相關知識。緊接著重點講解了Slope One算法的

2、相關內容，總結了算法的優(yōu)缺點，并提出相應的改進方案。
　　其次，隨著用戶和項目數(shù)量的急劇增長，計算量也隨之增加，該情況會導致算法的可擴展性差。因此本文考慮利用項目分類信息劃分評分矩陣，使Slope One算法的相關計算在目標項目所在的分類矩陣中進行。為了區(qū)分用戶，引入分類專家，即利用專家用戶的評分計算項目間偏差；為了區(qū)分項目，引入項目動態(tài)k近鄰，即利用用戶對近鄰項目的評分計算偏差和預測評分。這種改進方案不僅減小了計算量，同時還過濾

3、了不相關用戶或項目對預測結果的影響，提高了推薦精度。
　　然后，考慮到有的數(shù)據(jù)集不包含項目屬性信息，此時采用 K-means聚類方法，利用評分信息分別對用戶和項目聚類。對于基于用戶聚類的方法，需要在目標用戶所在的聚類中尋找該用戶的k近鄰，然后根據(jù)近鄰用戶的評分計算項目偏差；對于基于項目聚類的方法，需要在目標項目所在的聚類中尋找該項目的k近鄰，然后根據(jù)用戶對近鄰項目的評分計算偏差和預測評分。該方案同樣可以減小計算量和提高預測準確性。