基于模糊C均值聚類(lèi)的協(xié)同過(guò)濾推薦算法研究.pdf

1、隨著信息技術(shù)的高速發(fā)展，人們從信息匱乏時(shí)代進(jìn)入了信息過(guò)載的時(shí)代，這在一定程度上增加了用戶獲取有價(jià)值或感興趣信息的成本，而推薦系統(tǒng)在解決該類(lèi)問(wèn)題中具有較好的表現(xiàn)，其針對(duì)用戶的興趣偏好產(chǎn)生個(gè)性化推薦，有效地解決信息過(guò)載帶來(lái)的負(fù)面影響。推薦系統(tǒng)的核心是推薦算法，尤其以協(xié)同過(guò)濾推薦算法的應(yīng)用最為廣泛，伴隨著數(shù)據(jù)量的快速增加，協(xié)同過(guò)濾推薦算法面臨的問(wèn)題也越來(lái)越突出，主要有數(shù)據(jù)稀疏性、冷啟動(dòng)、數(shù)據(jù)擴(kuò)展性和用戶興趣的時(shí)間遷移等問(wèn)題。本文針對(duì)協(xié)同過(guò)濾算

2、法存在的問(wèn)題，引入了模糊聚類(lèi)算法，提出了一種基于模糊C均值聚類(lèi)和時(shí)間權(quán)重函數(shù)的協(xié)同過(guò)濾算法。
　　面對(duì)數(shù)據(jù)稀疏性問(wèn)題，本文通過(guò)引入模糊C均值聚類(lèi)算法，對(duì)項(xiàng)目屬性信息進(jìn)行模糊聚類(lèi)，從而使得項(xiàng)目以不同的隸屬度隸屬于不同項(xiàng)目類(lèi)別，增加了數(shù)據(jù)密度，有效地降低了數(shù)據(jù)稀疏度，解決了相似度計(jì)算不準(zhǔn)確導(dǎo)致推薦精度低的問(wèn)題。同時(shí)，在模糊聚類(lèi)之前，通過(guò)對(duì)傳統(tǒng)的FCM算法進(jìn)行改進(jìn)，利用減法聚類(lèi)確定最優(yōu)的初始聚類(lèi)中心作為FCM算法的輸入。對(duì)于用戶興趣的時(shí)