基于用戶協(xié)同過濾推薦算法的研究.pdf

1、隨著“互聯(lián)網(wǎng)+”的蓬勃發(fā)展和大數(shù)據(jù)時代的來臨，網(wǎng)上購物已經(jīng)成為人們日常生活的重要組成部分。如何快速有效的解決數(shù)據(jù)的搜索、分類、推薦，成為擺在人們面前亟需解決的問題。推薦系統(tǒng)能夠根據(jù)用戶的個人偏好，向用戶提供個性化的服務推薦，從而使得廣大用戶能夠迅速且準確地找到自己滿意的商品或服務。盡管推薦系統(tǒng)近來取得了長足進步，但隨著互聯(lián)網(wǎng)用戶數(shù)量的急劇增長，以及移動互聯(lián)網(wǎng)的快速發(fā)展，推薦系統(tǒng)存在的缺陷和不足，更加制約著推薦系統(tǒng)的健康發(fā)展。
　　

2、本文針對基于用戶協(xié)同過濾推薦系統(tǒng)所面臨的稀疏性、擴展性、冷啟動問題，通過將奇異值分解與聚類融合，并針對基于用戶協(xié)同過濾推薦系統(tǒng)的特性，改進了相似性度量公式與 Top-N推薦權值賦值系數(shù)，提出一種融合奇異值分解和聚類的協(xié)同過濾推薦算法—SCW（SVD Clustering Weight）算法。SCW算法主要融合了奇異值分解降維、聚類和Top-N推薦三個原理。具體研究內容可概括為以下幾個方面：首先，本文利用奇異值分解從Movielens數(shù)據(jù)

3、集中構建一個主題空間，然后在該空間中計算相似度。其次，對降維后的評分矩陣中的用戶進行聚類，聚類分析將數(shù)據(jù)劃分成有意義的簇。最后，完成聚類后，按照用戶聚類的每個簇都是行為模式相似的用戶，遍歷目標用戶所在簇的其他用戶的物品集，去除目標用戶物品集生成推薦列表。然后利用改進的預測評分公式計算推薦列表物品的預測評分，排序推薦。
　　本文利用Moivelens公開數(shù)據(jù)集進行實驗驗證，并將本文的提出算法與傳統(tǒng)的基于皮爾森相關度協(xié)同過濾算法和主成