基于項(xiàng)目云的個性化推薦算法研究.pdf

1、近年來，隨著互聯(lián)網(wǎng)科學(xué)技術(shù)的迅速崛起，網(wǎng)絡(luò)數(shù)據(jù)與日俱增，隨之而來的信息過載問題也日趨嚴(yán)重。因此，對于用戶而言，從大量繁復(fù)的網(wǎng)絡(luò)訊息中快速、準(zhǔn)確獲取目標(biāo)信息是一項(xiàng)十分重要的任務(wù)。推薦系統(tǒng)作為信息過濾的重要手段，已經(jīng)廣泛應(yīng)用于各大電子商務(wù)網(wǎng)站。然而，隨著網(wǎng)絡(luò)經(jīng)濟(jì)平臺的擴(kuò)大，網(wǎng)購人數(shù)急劇增多，網(wǎng)上商品種類不斷增加，使得推薦系統(tǒng)的冷啟動、稀疏性等缺陷逐漸顯露。針對傳統(tǒng)算法的不足，本文從定性分析和模糊聚類角度出發(fā)，構(gòu)建出一套完整的基于項(xiàng)目云的個性

2、化推薦系統(tǒng)。該系統(tǒng)巧妙融合云模型與有序秩聚類的優(yōu)勢，在傳統(tǒng)算法的基礎(chǔ)上提出一種基于項(xiàng)目云的有序秩聚類協(xié)同過濾推薦算法。
　　本文設(shè)計(jì)的個性化推薦系統(tǒng)大致可以分成三大模塊：數(shù)據(jù)預(yù)處理、有序秩聚類、預(yù)測和推薦。在數(shù)據(jù)預(yù)處理模塊，本文通過云模型來擬合不同項(xiàng)目的分布情況及其統(tǒng)計(jì)分布特征，并用云發(fā)生器生成的缺失值來還原原始評分矩陣；其次，該算法將有序秩聚類算法與推薦系統(tǒng)相結(jié)合，用新定義的排序準(zhǔn)則對項(xiàng)目云進(jìn)行初步分類，生成有序云向量，為之后的

3、相似度計(jì)算奠定基礎(chǔ)；此外，本文選擇“聚類-推薦”模式，在聚類簇內(nèi)探索分析項(xiàng)目云之間的關(guān)系，進(jìn)而生成推薦結(jié)果。
　　同傳統(tǒng)推薦算法相比，該算法主要做出了如下改進(jìn)：
　　第一，本文探索分析原始數(shù)據(jù)分布特征與數(shù)據(jù)缺失原理，給出合理的數(shù)據(jù)缺失機(jī)制假設(shè)；并通過云模型來擬合數(shù)據(jù)分布特征。
　　第二，為從根本上緩解數(shù)據(jù)極端稀疏性，本文提出兩種數(shù)據(jù)填充算法。一種是依據(jù)項(xiàng)目分布進(jìn)行普通填充；另一種則是通過新定義的用戶評分可靠度進(jìn)行加權(quán)填

4、充。對比兩種不同的填充機(jī)制，判斷用戶評分可靠度對推薦結(jié)果的影響。
　　第三，填充缺失值時(shí)，本文利用經(jīng)驗(yàn)分布函數(shù)，對連續(xù)性隨機(jī)數(shù)進(jìn)行離散化轉(zhuǎn)變成符合本研究數(shù)據(jù)打分機(jī)制的評分?jǐn)?shù)。這一做法充分考慮到了項(xiàng)目本身的性質(zhì)特征，依據(jù)其統(tǒng)計(jì)分布信息生成缺失值來還原原始評分矩陣，更能科學(xué)反映項(xiàng)目的評分特征。
　　第四：本文首次將有序秩聚類算法與推薦系統(tǒng)相結(jié)合，根據(jù)新定義的排序準(zhǔn)則對項(xiàng)目云進(jìn)行有序秩聚類，不僅能提高推薦精度，且大大縮短了計(jì)算時(shí)間

5、。傳統(tǒng)推薦算法需要計(jì)算相似度n(n?1)2次，本文僅需n?1次。
　　最后，為檢驗(yàn)基于項(xiàng)目云的有序秩聚類協(xié)同過濾推薦算法的有效性，本文用R語言軟件分別對MovieLens Data和Jester Joke Data進(jìn)行試驗(yàn)。實(shí)證分析結(jié)果表明：新提出的數(shù)據(jù)填充機(jī)制能有效改善系統(tǒng)的極端稀疏性；基于項(xiàng)目云的有序秩聚類算法融入了云模型的不確定性，不僅可以緩解推薦系統(tǒng)的冷啟動問題，而且能夠更準(zhǔn)確的定位同質(zhì)項(xiàng)目，提高推薦精度；此外，有序秩聚類