基于聚類技術(shù)的協(xié)同過濾推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)的普及與電子商務(wù)的快速發(fā)展，用戶在選擇商品時面臨越來越嚴(yán)重的信息超載問題，協(xié)同過濾推薦系統(tǒng)應(yīng)運而生．它依據(jù)其他用戶對信息做出的評價來向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程。
　　 作為至今最成功的推薦技術(shù)，協(xié)同過濾推薦已得到了廣泛的應(yīng)用。但隨著推薦系統(tǒng)的廣泛應(yīng)用和對其研究的不斷深入，又出現(xiàn)了包括精確性、數(shù)據(jù)稀疏性、冷啟動、可擴展性等在內(nèi)的一系列問題與挑戰(zhàn)。本文對其中的數(shù)據(jù)稀疏性和可擴展性問題進行

2、了重點探討和研究，并在此基礎(chǔ)上提出了一個完整的解決方案。
　　 首先，論述了協(xié)同過濾推薦系統(tǒng)在國內(nèi)外的研究歷史和現(xiàn)狀，對目前的系統(tǒng)體系結(jié)構(gòu)以及已有的協(xié)同過濾推薦算法設(shè)計等關(guān)鍵技術(shù)進行了較為全面深入的分析，在探討已有研究成果的基礎(chǔ)上進一步凝練了推薦系統(tǒng)的關(guān)鍵問題。
　　 接著，深入分析了當(dāng)前制約協(xié)同過濾推薦系統(tǒng)發(fā)展的關(guān)鍵問題及其產(chǎn)生的原因和可能導(dǎo)致的后果，并進一步闡述了各種已有的解決辦法。針對數(shù)據(jù)稀疏性問題和可擴展性問題，

3、在前人研究的基礎(chǔ)上，構(gòu)造了一種以新的組合協(xié)同過濾推薦算法(IHCFR)為基礎(chǔ)的組合協(xié)同過濾推薦系統(tǒng)。與已有算法相比，新的推薦算法主要有以下改進：
　　 1)將基于模型和基于內(nèi)存方法相組合。基于模型是指離線狀態(tài)下根據(jù)用戶評分?jǐn)?shù)據(jù)建立推薦模型，在運行期間將建立的推薦模型載入內(nèi)存進行匹配計算：基于內(nèi)存是指在算法運行期間將整個評分?jǐn)?shù)據(jù)庫都載入內(nèi)存進行計算。IHCFR推薦算法利用聚類技術(shù)對用戶評分?jǐn)?shù)據(jù)進行用戶和項目的向量分離并分別單獨對用

4、戶和項目進行聚類，在需要實時產(chǎn)生推薦時，利用已有的聚類結(jié)果計算最近鄰居集合并以此產(chǎn)生推薦結(jié)果。
　　 聚類采用基于余弦因子改進的混合聚類算法(SGKM)，它結(jié)合了K-means聚類算法的高效局部搜索能力和遺傳算法的全局優(yōu)化能力，采用交叉和變異概率的自適應(yīng)控制，并在交叉和變異操作時用基因余弦因子(GCOS)進行個體控制，確保差的個體不會被引入下一代，有效改善聚類效果，進而提高在線推薦精度。
　　 聚類的使用可以有效提高在線

5、推薦的時間效率，當(dāng)系統(tǒng)進一步擴展和數(shù)據(jù)量快速增長時，通過聚類算法周期性地重新訓(xùn)練和優(yōu)化聚類結(jié)果簇，使得最近鄰查找和產(chǎn)生推薦的候選集始終限定在一個較小的范圍內(nèi)，一定程度上緩解了系統(tǒng)的可擴展性問題。
　　 2)將基于用戶和基于項目相組合。在需要產(chǎn)生推薦時，綜合考慮用戶和項目的影響因素，分別計算目標(biāo)用戶和目標(biāo)項目的最近鄰集合，根據(jù)當(dāng)前評分?jǐn)?shù)據(jù)的稀疏情況自適應(yīng)地調(diào)節(jié)目標(biāo)用戶和目標(biāo)項目的最近鄰對最終推薦結(jié)果的影響權(quán)重，給出最終推薦結(jié)果。在