基于改進(jìn)K-means聚類的推薦方法研究.pdf

1、互聯(lián)網(wǎng)和電子商務(wù)的發(fā)展，產(chǎn)生了大量的數(shù)據(jù)，從而導(dǎo)致網(wǎng)絡(luò)資源的信息過載。當(dāng)搜索引擎技術(shù)已經(jīng)無法解決信息過載問題時，推薦系統(tǒng)應(yīng)運(yùn)而生。常見的推薦系統(tǒng)有：協(xié)同過濾推薦、基于內(nèi)容的推薦和基于圖的推薦，但它們都存在數(shù)據(jù)稀疏和計(jì)算量大的問題，使得推薦結(jié)果不準(zhǔn)確和實(shí)時性差。針對這些問題進(jìn)行深入研究，主要工作和貢獻(xiàn)如下：
　　首先，針對傳統(tǒng)K-means算法隨機(jī)選擇初始聚類中心，極易造成聚類結(jié)果不準(zhǔn)確的問題，提出了一種基于最小方差和最大化最小距離

2、的思想改進(jìn)K-means算法初始聚類中心的選擇方法。接著提出了一種基于用戶信任關(guān)系和評分偏好的新方法度量用戶之間的相似度，從而在一定程度上解決了推薦系統(tǒng)在計(jì)算用戶相似度時面臨的數(shù)據(jù)稀疏問題。
　　其次，提出了一種改進(jìn)K-means聚類的推薦方法IKC（Improved K-means Clustering Recommendation Method）。利用基于信任關(guān)系的用戶相似度代替K-means算法中對象之間的歐式距離；接著用改

3、進(jìn)的K-means算法對用戶進(jìn)行聚類劃分，把相似度較高的用戶聚集到同一個子類中，然后用Top-N算法生成推薦列表。
　　在MovieLens（1M）和Epinions數(shù)據(jù)集上的實(shí)驗(yàn)表明：基于IKC算法的推薦方法在相同數(shù)據(jù)集下不同數(shù)據(jù)稀疏度的平均絕對誤差和均分根誤差兩項(xiàng)指標(biāo)都較其他四種比較算法小，解決了數(shù)據(jù)稀疏問題；且IKC算法在相同的數(shù)據(jù)集上的執(zhí)行效率也較其他四種比較算法高，解決了計(jì)算量大的問題。所以IKC算法在推薦系統(tǒng)的準(zhǔn)確性和