雙向聚類迭代的協(xié)同過濾推薦算法.pdf

1、隨著Internet的普及和網(wǎng)上貿(mào)易的迅速發(fā)展，電子商務(wù)系統(tǒng)已成為人們網(wǎng)上購物的主要平臺。在給用戶提供更多選擇和方便的同時，其結(jié)構(gòu)也變得更加復(fù)雜和龐大，用戶經(jīng)常會迷失在大量的商品信息空間中，無法迅速找到自己所需的商品。這種情況下，推薦系統(tǒng)應(yīng)運而生，它在電子商務(wù)系統(tǒng)中具有良好的發(fā)展空間和應(yīng)用前景，已成為電子商務(wù)領(lǐng)域研究的一個重要內(nèi)容。 本文針對推薦系統(tǒng)面臨的數(shù)據(jù)稀疏問題，提出了兩種改進的基于聚類的協(xié)同過濾算法：基于項目平滑和聚類的

2、方法，雙向聚類迭代的方法。將用戶和項目分別聚類，在與目標項目最相似的前若干個聚類簇中搜索它的最近鄰居，可以縮小搜索鄰居的范圍，提高推薦算法的實時響應(yīng)速度?；陧椖科交途垲惖姆椒ㄖ?，利用聚類信息，對用戶未評分的項目做平滑處理，使得用戶．項目矩陣變得稠密，然后在項目聚類中尋找目標項目的最近鄰居，在一定程度上可以解決數(shù)據(jù)稀疏對推薦精度的影響。雙向聚類迭代的方法中，引入二部圖概念來表示用戶和項目之間的關(guān)聯(lián)關(guān)系，對初始得到的用戶聚類和項目聚類進

3、行交叉迭代調(diào)整，使聚類簇達到較穩(wěn)定的狀態(tài)。調(diào)整后聚類簇的內(nèi)聚性更強，類之間的區(qū)分度更大，這樣也可以在一定程度上解決數(shù)據(jù)稀疏問題的影響，提高推薦的準確度。 本文的實驗采用標準的MovieLen數(shù)據(jù)集，用K-mean聚類法對用戶和項目進行聚類，觀察在不同聚類數(shù)目的情況下，類內(nèi)距與類間距之比。然后考察本文提出的兩種方法的MAE值(平均絕對偏差)，并與其他一些傳統(tǒng)的協(xié)同過濾算法的MAE結(jié)果相比較，來驗證算法的有效性。實驗結(jié)果表明，相比于