基于粒子群優(yōu)化的項聚類推薦算法研究.pdf

1、隨著網(wǎng)絡的迅速發(fā)展，各種信息越來越多的在網(wǎng)絡上匯集，信息過載與信息迷失的問題日益嚴重。電子商務技術的發(fā)展，使商務系統(tǒng)為用戶提供的越來越多的選擇，網(wǎng)站結構也變得越來越復雜，用戶經常迷失在大量的商品信息之中，無法順利的找到自己需要的商品。在這種情況下，Web數(shù)據(jù)挖掘與電子商務系統(tǒng)的結合，產生了數(shù)據(jù)挖掘的一個分支——電子商務推薦系統(tǒng)。電子商務推薦系統(tǒng)直接與用戶交互，模擬銷售人員向用戶推薦商品，幫助用戶找到真正需要的商品，而商務網(wǎng)站可以保持用戶

2、，提高銷售與服務質量。
　　 電子商務推薦系統(tǒng)因良好的應用前景，在理論和實踐中都得到了很大的發(fā)展，但是隨著商務規(guī)模的不斷擴大，網(wǎng)絡信息的數(shù)量與商品種類的急速增長，對推薦系統(tǒng)提出了嚴峻的挑戰(zhàn)。針對電子商務系統(tǒng)遇到的挑戰(zhàn)，本文對推薦系統(tǒng)與推薦算法進行了研究，提出了基于粒子群優(yōu)化(Particle Swarm Optimization)的項聚類推薦算法。
　　 粒子群優(yōu)化算法是一種演化計算技術，它具有簡單、有效、收斂速度較快、

3、全局搜索能力較強等特點，近年來受到學術界的高度關注。在以往的基于項目聚類的推薦算法中，多數(shù)都用了K-means算法產生聚類，但是該算法的缺陷是容易陷入局部最優(yōu)，效率不高，而且在推薦系統(tǒng)中遇到相似度衡量不準確的問題，因此本文引入粒子群算法優(yōu)化聚類過程，粒子群算法的適應度函數(shù)能較準確的衡量項目之間的相似性，快速找到較優(yōu)的聚類中心。論文在研究的過程中，分析了推薦算法數(shù)據(jù)集的稀疏性問題，采用項目均值填充的方式降低稀疏性，然后用粒子群優(yōu)化的項聚類