基于改进聚类和矩阵分解的协同过滤推荐算法研究

发布时间：2020-03-22 10:06

【摘要】：随着互联网的迅速普及和电子商务的快速发展,全球数据量增势迅猛,人们从以前信息来源不足的时代进入到了信息过载的时代。为了解决信息过载造成的信息冗余问题,个性化推荐系统适应于时代需求而产生,它的出现在缓解问题的同时,也提高了用户对推荐系统服务的满意度,个性化推荐系统与推荐算法现已成为研究的热点和应用的难点。传统的协同过滤推荐算法通常从用户对项目的历史行为数据中发掘用户的偏好,从而根据用户的不同偏好,对用户进行群组划分,并向目标用户推荐与其喜好相似的物品(或项目)。然而,随着电子商务系统中用户数和项目数的不断增加,数据稀疏性和推荐准确率不高等问题逐渐成为制约协同过滤推荐算法发展的关键因素。针对上述问题,本文提出基于改进聚类和矩阵分解的协同过滤推荐算法。该算法首先通过矩阵分解实现对原始数据的降维及其缺失数据的填充,并引入时间衰减函数对用户评分进行预处理,使用用户的兴趣向量来表征用户,用项目的属性向量来表征项目,在此基础上通过K-means聚类算法对用户和项目分别进行聚类;然后使用改进相似性度量方法在簇中查找用户的最近邻和项目推荐候选集,从而为用户产生推荐。实验结果表明,该算法不仅可以有效解决数据稀疏和新项目的出现带来的冷启动问题,而且可以在多维度下反映用户的兴趣变化,推荐的准确性也得到了提升。
【图文】：

推荐模型,网站,推荐系统

图 1.1 网站中的简易推荐模型Figure 1.1 Easy recommendation model in the website推荐系统首先从有限的网络信息资源中发现目标用户的兴趣和偏好，然后产生或者商品）信息，，最后向目标用户提供个性化推荐[7]。推荐系统作为一种能有过载问题的信息过滤手段[8]，该系统自 20 世纪 90 年代一经提出就备受国内外。1992 年研发的 Tapestry 邮件过滤系统[9]被认为是最早提出的协同过滤推荐系是基于显式反馈（用户评分为主）的思想，其主要目的是尽可能地产生有限的

界面图,个性化推荐,京东,网站

辽宁工程技术大学硕士学位论文表 1.1 推荐系统的应用实例Table1.1 Application examples of recommended systems推荐系统应用领域推荐系统电子商务亚马逊、淘宝电影和视频 Netflix、YouTube音乐豆瓣电台社交网络 Facebook、Twitter个性化阅读 Google Reader个性化邮件和广告 Tapestry、Facebook
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3

【参考文献】