電子商務(wù)推薦系統(tǒng)中用戶聚類問題與用戶興趣變化問題研究.pdf

1、協(xié)同過濾推薦技術(shù)是推薦系統(tǒng)中應(yīng)用最廣泛的一種技術(shù)，然而隨著系統(tǒng)規(guī)模的逐步擴(kuò)大，該技術(shù)使推薦系統(tǒng)的實(shí)時(shí)性與推薦精確性面臨極大的挑戰(zhàn)。針對(duì)實(shí)時(shí)性問題，基于K-Means 用戶聚類的協(xié)同過濾技術(shù)將算法分為離線和在線兩個(gè)部分，離線部分將用戶進(jìn)行K-Means 聚類形成簇，在線部分尋找用戶所在簇并進(jìn)行推薦。該方法使系統(tǒng)的實(shí)時(shí)性得到改善，但是本身卻存在缺陷：算法需要初始劃分并且初始劃分的優(yōu)劣直接決定聚類結(jié)果的好壞，另外算法聚類結(jié)果存在局部最優(yōu)性，而

2、這些缺陷勢(shì)必影響算法的性能。于是，為了克服這些問題，本文提出了使用AntClass 蟻群算法對(duì)用戶進(jìn)行聚類，該算法不僅不需要任何初始信息，而且算法參數(shù)設(shè)置簡(jiǎn)單，所以規(guī)避了算法本身的復(fù)雜性，使聚類過程更符合實(shí)際應(yīng)用情況，聚類結(jié)果更合理。
　　 系統(tǒng)規(guī)模擴(kuò)大給系統(tǒng)帶來的另一個(gè)問題是用戶的興趣愛好可能會(huì)隨著時(shí)間推移而發(fā)生變化。如果像傳統(tǒng)協(xié)同過濾推薦技術(shù)那樣使用所有歷史評(píng)分?jǐn)?shù)據(jù)，可能會(huì)影響推薦的質(zhì)量，因?yàn)橛脩粼诤芫弥暗脑u(píng)分可能不再具有