基于改進(jìn)的K-means和奇異值分解的協(xié)同過濾研究.pdf

1、協(xié)同過濾技術(shù)是減少信息過載常用方法，當(dāng)前大多數(shù)基于協(xié)同過濾的推薦算法普遍存在著可擴(kuò)展性低和數(shù)據(jù)稀疏性問題。針對上述問題，本文在傳統(tǒng)的基于SVD的協(xié)同過濾算法和基于K-means的協(xié)同過濾算法的基礎(chǔ)上，針對數(shù)據(jù)稀疏性和算法的擴(kuò)展性問題提出了基于改進(jìn)的K-means和奇異值分解的協(xié)同過濾推薦算法。主要工作包括以下三個方面:
　　首先，基于K-means的協(xié)同過濾算法雖然通過聚類技術(shù)將搜索目標(biāo)用戶的最近鄰居的范圍縮小到某個聚類中，降低了

2、計算量，提高了算法的實時性和可擴(kuò)展性，而當(dāng)評分?jǐn)?shù)據(jù)高維稀疏時，推薦精度往往較低。針對上述問題，本文利用SVD降維預(yù)測填補(bǔ)技術(shù)將原始數(shù)據(jù)中的未評分項利用用戶的評分平均值進(jìn)行填補(bǔ)，提高算法的抗稀疏性。
　　其次，基于SVD的協(xié)同過濾算法雖然克服了稀疏性問題，但在協(xié)同過濾推薦時，需要在整個數(shù)據(jù)空間內(nèi)搜索最近鄰居，計算量大，擴(kuò)展性低。此外，為了避免傳統(tǒng)K-means方法因初始聚類中心的隨機(jī)選擇而導(dǎo)致的收斂速度慢，聚類結(jié)果不穩(wěn)定，且存在局部

3、極小問題，本文利用改進(jìn)的K-means聚類方法將搜索最近鄰居的范圍縮小到某個聚類中，降低了計算量，提高了算法的可擴(kuò)展性。
　　最后，在評分?jǐn)?shù)據(jù)高維稀疏的情況下，提出了一種基于改進(jìn)的K-means和奇異值分解的協(xié)同過濾推薦算法。該算法首先利用SVD技術(shù)對原始高維稀疏數(shù)據(jù)進(jìn)行預(yù)測填補(bǔ);然后利用改進(jìn)的K-means聚類方法在填補(bǔ)完整的數(shù)據(jù)上聚類;最后在目標(biāo)聚類中進(jìn)行協(xié)同過濾推薦。
　　為了驗證本文提出的推薦算法的有效性，在Movi