一種基于情境聚類的協(xié)同過濾算法的研究與實現(xiàn).pdf

1、無線互聯(lián)網(wǎng)及移動設備的飛速發(fā)展，帶動著網(wǎng)絡資源的爆炸式增長，加劇信息過載問題，加大了用戶尋找所需信息的難度。推薦系統(tǒng)成為解決這個問題的關(guān)鍵，其中推薦算法對推薦結(jié)果起到關(guān)鍵的作用。目前的推薦算法當中，應用最廣的是協(xié)同過濾推薦。它通過分析用戶之間的相似性，得到近鄰，通過近鄰預測未評分項目，將近鄰喜歡的項目形成推薦結(jié)果。雖然協(xié)同過濾算法有挖掘用戶潛在愛好等優(yōu)點，但是它同樣存在著一些問題，例如數(shù)據(jù)稀疏性問題、可拓展性問題以及冷啟動問題等等。此外

2、，評分矩陣不能全面的反映出用戶的所有情況和偏好，其偏好同樣與其年齡、職業(yè)以及其所在位置等情境信息有著密切的聯(lián)系。針對以上問題，本文提出了一種基于情境進行聚類的協(xié)同過濾算法，主要研究內(nèi)容有:
　　(1)深入研究現(xiàn)有推薦算法，分析其情境缺失問題。針對其只考慮用戶評分這個問題，引入可能影響用戶興趣愛好的用戶情境和外在環(huán)境情境，包括用戶年齡、職業(yè)、時間以及位置等，結(jié)合情境語義學，構(gòu)建了用戶情境的形式化表達方法。
　　(2)針對傳統(tǒng)協(xié)

3、同過濾算法當中存在的數(shù)據(jù)稀疏性問題，提出了基于情境的聚類算法。深入研究了常見不同數(shù)據(jù)類型變量的相異度計算方法，計算兩兩情境相異度，構(gòu)建情境相異度矩陣。深入研究FCM算法，并針對FCM的收斂性問題，引入了收斂因子，利用改進的FCM算法，在情境相異度矩陣的基礎上進行聚類。如此將三維模型降維，縮小了目標用戶查找相似用戶的范圍，降低了復雜度，緩解數(shù)據(jù)稀疏性問題。
　　(3)針對協(xié)同過濾算法當中的用戶相似度算法忽略了用戶對單條項目評分尺度差