基于聚類的個性化推薦算法研究.pdf

1、隨著互聯網技術的快速發(fā)展，互聯網上信息數量成指數級別增長，網絡信息的產生速度超過人們能接收的程度，信息過載情況嚴重，而信息質量參差不齊導致有用信息淹沒在信息海洋中。以搜索引擎為代表的信息檢索技術存在著需要用戶主動提供明確的檢索目標的局限性，以協(xié)同過濾思想為代表的個性化推薦技術應運而生，成為解決互聯網信息過載問題的有效途徑。
　　傳統(tǒng)的協(xié)同過濾算法根據其他用戶對項目的評價來預測目標用戶對項目的偏好，在用戶項目評分矩陣上尋找最近鄰居進

2、行推薦，并沒有將電子商務系統(tǒng)中存在的用戶屬性信息和項目屬性信息有效利用，導致準確率差；在查找目標用戶的最近鄰居關鍵步驟中需要在整個用戶空間查找，存在著推薦實時性差的問題；對用戶評分矩陣稀疏度敏感，在稀疏度高的系統(tǒng)中存在著準確率急劇下降的問題。
　　聚類技術能有效對對象劃分成組，使得同組對象之間屬性相似度高，處于不同組的對象相似度低，而協(xié)同過濾推薦算法的核心步驟也是通過計算相似度尋找目標用戶的相似鄰居，將聚類技術應用到推薦當中能有效

3、的提高推薦系統(tǒng)的性能。
　　首先，針對協(xié)同過濾推薦的實時性問題，介紹了在用戶項目評分矩陣上先對用戶聚類，在與目標用戶相似度高的聚類簇中查找最近鄰居的方法，有效的降低了查詢空間，提高推薦實時性。
　　上述方法是在用戶項目評分矩陣上進行，沒有結合項目屬性信息，提高實時性的同時帶來準確率下降，本文提出了一種衡量用戶對項目屬性喜好程度的方法，將其用于上述聚類過程中，在保留了查詢空間降低的優(yōu)點同時，提高了推薦準確率。
　　其次，

4、針對推薦準確率差的問題，本文提出了將引入模糊化改進的 K-means算法在商品屬性矩陣進行對項目進行聚類，然后融合模糊聚類中項目對聚類簇的歸屬度相似度和用戶評分矩陣上計算出的相似度，通過實驗表明本方法在準確率上優(yōu)于傳統(tǒng)的混合推薦。
　　最后，針對用戶評分稀疏性問題，本文提出用Fuzzy K-means模糊聚類算法分別在用戶屬性矩陣、項目屬性矩陣上聚類，將聚類簇中的平均值加權融合作為對稀疏矩陣的填充值。實驗表明該方法能有效的解決數據