基于聚類技術的推薦算法研究.pdf

1、推薦系統(tǒng)是幫助用戶評估他沒有發(fā)現的內容，從而克服信息超載的一種有效工具。對于推薦系統(tǒng)的研究，既有重大的社會意義，又有重大的經濟價值。自上世紀九十年代推薦系統(tǒng)作為一個獨立的研究問題以來，所進行的相關研究涵蓋了數據挖掘、人工智能、人機交互和用戶行為學等多個學科領域。針對實際應用中的一些問題，數據挖掘方面研究者們從推薦算法角度給出了眾多解決和改進辦法。這些工作使得推薦系統(tǒng)已經成功應用于各個商業(yè)系統(tǒng)中。
　　雖然個性化推薦技術已經在互聯網

2、領域內得到廣泛應用，但是仍普遍存在數據稀疏性、算法可擴展性和“冷啟動”等亟待解決的問題。利用聚類分析和復雜網絡等方法，本文致力于理解推薦系統(tǒng)各要素，在一定程度上解決推薦系統(tǒng)的現有問題。主要工作如下：
　　1.提出了一種基于項目聚類的推薦算法。算法的核心目的在于在保留了其它已有基于聚類的推薦算法在解決數據稀疏性優(yōu)勢的基礎上，使用聚類分析技術對原始信息進行處理，并通過引入歸屬度的概念，將真實用戶的行為模型轉化為興趣模型從而進行了更精準

3、的推薦。在多個不同類型數據集上進行了多次實驗并使用離線仿真的方式對算法的精確性進行評估，結果表明算法在預測精確性上也對原始算法有著較大程度上的提高。
　　2.提出了一種基于跨電商行為的交叉推薦算法。在分析了現有推薦系統(tǒng)在電子商務應用中的主要任務和面臨問題基礎上，針對新用戶的“冷啟動”問題使用用戶在多個不同類別電子商務網站訪問的交叉行為信息提進行推薦。經過離線仿真，算法可以提供具有相當精確性和個性化的推薦。即使只利用一個站外電商數據