基于改進模糊聚類的WFSLIM推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，人們已經(jīng)從PC時代進入了以智能手機為代表的移動互聯(lián)網(wǎng)聯(lián)網(wǎng)時代，目前人類每天產(chǎn)生的數(shù)據(jù)量呈指數(shù)在增長。也有人稱21世紀是數(shù)據(jù)的時代(DT)。移動互聯(lián)網(wǎng)產(chǎn)生巨大數(shù)據(jù)的同時也極大的促進了微博，推特，淘寶等社交和電商網(wǎng)絡(luò)的火熱發(fā)展。根據(jù)CNNIC報道，截至2016年底，中國網(wǎng)民總數(shù)已達7.1億。如此龐大的互聯(lián)網(wǎng)用戶伴隨而來的是龐大的數(shù)據(jù)。面對浩渺的數(shù)據(jù)如何利用用戶產(chǎn)生的行為數(shù)據(jù)來進行高效，經(jīng)濟的個性化推薦成了各大平臺重要的

2、研究問題。目前無論微博等社交網(wǎng)絡(luò)或者淘寶等電子商務(wù)網(wǎng)站現(xiàn)有的推薦系統(tǒng)效果往往都是不太盡如人意。社交和電商的推薦系統(tǒng)主要集中在Top-N的推薦問題研究上。好的自動化推薦系統(tǒng)可以極大提高用戶在平臺的活躍度和平臺收益。
　　本文通過介紹各種傳統(tǒng)推薦算法和其不足之處，比如QQ的基于用戶的協(xié)同過濾算法就曾出現(xiàn)將前女友推薦給現(xiàn)女友的笑話。當然這些缺點還包括推薦準確率不高，數(shù)據(jù)稀疏，運算量龐大等問題。提出用基于密度距離加權(quán)的WDFCM聚類算法對

3、用戶聚類，然后采用綜合考慮用戶之間，項目之間的相關(guān)系數(shù)的WFSLIM推薦算法進行推薦，本文主要工作如下：
　?。?）很多電商和社交平臺的推薦系統(tǒng)主要采用基于模型的協(xié)同過濾算法。此算法往往存在著數(shù)據(jù)稀疏性，系統(tǒng)可擴展性差以及冷啟動等問題。基于SVD的推薦算法只是簡單的對評分矩陣進行數(shù)學上的矩陣分解，這僅僅是用戶和商品之間的直接關(guān)系。并沒有全面考慮到用戶之間，項目之間對預測的影響，對矩陣分解產(chǎn)生的因子矩陣也沒有過多的考慮他們所處在推薦

4、系統(tǒng)的真實意義。
　?。?）FCM模糊聚類算法在處理一些特定場景時，其實驗結(jié)果的效果很大取決于聚類參數(shù)和中心點的選取，本文綜合考慮了模糊聚類樣本點的距離和密度對聚類準確度的影響，提出了WDFCM算法，通過實驗驗證了算法針對一些數(shù)據(jù)集，聚類準確度有了顯著的提高并且減少了聚類的迭代次數(shù)。
　　（3）本文將基于模型的推薦算法隱語義模型進行了拓展，并在拓展模型中考慮了用戶之間，用戶與用戶集之間以及項目之間的相關(guān)系數(shù)，針對傳統(tǒng)的推薦算

5、法準確率低，數(shù)據(jù)稀疏問題，本文提出了先將用戶進行改進的WDFCM聚類，綜合考慮用戶，用戶集以及項目之間的相關(guān)系數(shù)對評分矩陣的影響，然后采用改進的WFSLIM推薦算法進行推薦。從而達到降低了評分矩陣的稀疏度并且提高了模型推薦的準確率。同時也在一定條件下降低了算法的運行時間。
　?。?）隨著電子商務(wù)網(wǎng)站的用戶和物品數(shù)據(jù)的飛速增加，傳統(tǒng)的推薦算法平臺在處理海量數(shù)據(jù)時已經(jīng)明顯性能不足，本文最后在基于Hadoop大數(shù)據(jù)平臺上，實現(xiàn)了推薦系統(tǒng)