基于用戶情景模糊聚類的協(xié)同推薦研究及應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的蓬勃發(fā)展，大量的數(shù)據(jù)資源充斥在網(wǎng)絡(luò)之中，人們不得不花費(fèi)較長(zhǎng)的時(shí)間選擇自己喜歡的資源。個(gè)性化推薦系統(tǒng)的出現(xiàn)較好地解決了這一問(wèn)題，成為當(dāng)今越來(lái)越受關(guān)注的研究領(lǐng)域。目前，一些新的推薦方法和推薦技術(shù)相繼出現(xiàn)。比較常用的推薦算法有基于關(guān)聯(lián)規(guī)則的推薦算法、基于內(nèi)容的推薦算法、協(xié)同過(guò)濾推薦算法以及混合推薦算法。
　　協(xié)同過(guò)濾推薦技術(shù)是個(gè)性化推薦系統(tǒng)中應(yīng)用最廣泛且最成熟的推薦技術(shù)。它通過(guò)分析用戶的歷史行為數(shù)據(jù)找出目標(biāo)用

2、戶（或項(xiàng)目）的最近鄰居集，進(jìn)而參考鄰居集合的喜好來(lái)預(yù)測(cè)目標(biāo)用戶的喜好，實(shí)現(xiàn)推薦。但其仍存在許多問(wèn)題需要解決，主要有數(shù)據(jù)稀疏性、冷啟動(dòng)和算法擴(kuò)展性差的問(wèn)題。此外，還有新用戶以及情景缺失等問(wèn)題。
　　對(duì)此，本文提出一種基于用戶情景模糊聚類的協(xié)同推薦算法。該算法綜合考慮了用戶評(píng)分信息和用戶情景信息這兩個(gè)因素對(duì)推薦的影響，主要工作有三點(diǎn)。
　　第一點(diǎn)，將聚類技術(shù)應(yīng)用于協(xié)同過(guò)濾推薦系統(tǒng)中，提出了一種基于用戶情景模糊聚類的協(xié)同過(guò)濾推薦技

3、術(shù)。第二點(diǎn)，提出了一種傳統(tǒng)的協(xié)同過(guò)濾中用戶相似性度量的改進(jìn)算法。第三點(diǎn)，提出根據(jù)用戶間的綜合相似性尋找目標(biāo)用戶的最近鄰居。對(duì)于第一點(diǎn)，首先根據(jù)用戶情景信息利用模糊聚類算法對(duì)用戶進(jìn)行聚類，將情景信息相似的用戶放入同一個(gè)聚類中。下一步的協(xié)同過(guò)濾是在具有相似情景的用戶群中進(jìn)行的，具有相似屬性的人更容易產(chǎn)生相似的興趣愛(ài)好；同時(shí)，最近鄰居是在目標(biāo)用戶所屬的小的聚類中生成的，降低了計(jì)算所需的矩陣的維數(shù)，提高了算法的可擴(kuò)展性。對(duì)于第二點(diǎn)，在計(jì)算用戶相

4、似度時(shí)，先利用Slope One算法對(duì)稀疏矩陣中的評(píng)分缺失項(xiàng)目進(jìn)行預(yù)測(cè)填充，再在新矩陣上進(jìn)行計(jì)算，有效改善了數(shù)據(jù)稀疏性問(wèn)題，提高了鄰居用戶選取的準(zhǔn)確性。對(duì)于第三點(diǎn)，綜合考慮了用戶情景信息及用戶評(píng)分信息對(duì)推薦的影響，將用戶主觀評(píng)分相似性與用戶客觀情景信息相似性以一定的權(quán)重結(jié)合起來(lái)得到用戶間的綜合相似性，使得沒(méi)有進(jìn)行過(guò)任何評(píng)價(jià)的新用戶也能得到推薦。
　　本文在MovieLens數(shù)據(jù)集上采用平均絕對(duì)偏差（MAE）和平均相對(duì)偏差絕對(duì)值(M