基于聚類的推薦技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)信息規(guī)模的增長和用戶交互模式的轉(zhuǎn)變，推薦系統(tǒng)在現(xiàn)代互聯(lián)網(wǎng)中的重要性日益增長，對推薦系統(tǒng)的性能要求也與日俱增。隨著推薦系統(tǒng)中用戶和物品規(guī)模的增長，為了更好的提取用戶和商品特征，排除噪音干擾，同時降低計算規(guī)模，研究人員將聚類技術(shù)引入推薦系統(tǒng)。通過聚類劃分用戶和商品類別，縮小相似用戶的范圍，提升算法的速度和質(zhì)量。本文主要研究了基于聚類的矩陣分解推薦技術(shù)。主要工作如下：
　　1.分析了用戶對不同類別商品的興趣差異，在商品聚類的基

2、礎(chǔ)上提出了用戶對于不同商品類別的偏好度模型。并在矩陣分解推薦模型的基礎(chǔ)上，分析了其全局偏置參數(shù)的優(yōu)點與局限，提出用戶對各個商品類的偏置參數(shù)并引入到模型當(dāng)中。從而使得模型能更好的捕捉用戶對不同類別物品的偏好差異。實驗結(jié)果表明，相比于傳統(tǒng)的全局偏置參數(shù)，引入用戶對商品類別的偏置能有效提升推薦算法的精確度。另外，在實際系統(tǒng)中，新評分數(shù)據(jù)總是在不斷增長。而傳統(tǒng)的矩陣分解算法在模型生成后就保持不變。時間一長，模型會逐漸陳舊，引起推薦準確度的下降。

3、為了適應(yīng)實際推薦系統(tǒng)中新數(shù)據(jù)不斷增長引起的模型數(shù)據(jù)陳舊，減緩?fù)扑]精確度的下降趨勢，本文還提出了一種增量更新的模型。該模型通過增量數(shù)據(jù)動態(tài)更新偏置參數(shù)，但不改變原始的用戶和物品特征矩陣，在較小的計算開銷下，保證推薦精確度的穩(wěn)定。
　　2.提出了基于用戶聚類的局部矩陣分解模型，將原始評分矩陣分割成小塊矩陣，再分別應(yīng)用矩陣分解推薦。局部模型有利于捕捉用戶的局部特征，降低噪聲干擾。試驗結(jié)果表明，局部模型有利于部分用戶推薦效果的提升，但由于