基于AP聚類算法的推薦系統(tǒng)研究.pdf

1、進入21世紀以來，在互聯(lián)網(wǎng)和電子商務網(wǎng)站飛速發(fā)展的背景下，電子商務網(wǎng)站中的信息量變得更為龐大和復雜，繁冗的數(shù)據(jù)給電子商務的發(fā)展帶來巨大的挑戰(zhàn)。為了解決這一難題，針對電子商務的推薦系統(tǒng)應運而生，電子商務推薦系統(tǒng)主要目的是幫助用戶迅速的定位到自己喜歡的商品。
　　在目前主流的各種推薦算法中，協(xié)同過濾算法是一種應用較廣的推薦算法，但傳統(tǒng)的協(xié)同過濾存在“稀疏性”、“冷啟動”和“可擴展性”等問題。近年來關于推薦系統(tǒng)的研究中，一些學者提出將聚

2、類技術引入到推薦系統(tǒng)中用以解決上述問題?；诰垲惖耐扑]算法通過先對用戶或者項目進行聚類劃分，使得相似度較高的對象聚集到同一個類中，從而簡化查找最近鄰居的過程，大大減小了整體計算復雜度和時間消耗。另外由于聚類過程可以在線下完成，所以大大提升了推薦系統(tǒng)整體的實時性。
　　本文提出了基于AP聚類的推薦算法，主要研究內(nèi)容如下：
　　(1)提出并設計了基于AP聚類的推薦算法。將AP聚類算法引入到推薦系統(tǒng)的用戶分類過程中，僅需要將目標用

3、戶通過AP聚類方法進行分類，簡化查找最近鄰居和計算對象相似度的過程，降低了在整體計算中的復雜度和時間消耗。
　　(2)傳統(tǒng)的AP聚類不包括類別的合并過程，使得聚類的精度較差，尤其是對結構復雜的數(shù)據(jù)。本文提出了一種基于屬性加權的度量方法，基于此對AP聚類算法進行了改進。
　　(3)設計并實現(xiàn)了基于改進AP聚類的推薦算法。
　　在公共數(shù)據(jù)集上進行了仿真實驗，評價指標為平均絕對偏差（MAE）值，芮氏指標（RI）和純度指標（P