论文部分内容阅读
随着web2.0和电子商务的快速发展,信息资源正在指数型增长。目前,解决信息过载的一种有效方法就是采用推荐系统,而协同过滤是推荐系统中运用最广泛的算法,但是其依然存在数据稀疏性、可扩展性以及冷启动等问题。与此同时,大多数个性化推荐系统往往忽略用户本身的一些特征属性,比如年龄、性别和职业,在用户-项目评分数据难以获得的情况下,会严重影响个性化推荐系统的推荐精度。在分析比较各种常用个性化推荐算法及相关技术之后,本文以数据稀疏性和冷启动问题为立足点,旨在提高个性化推荐系统的推荐精度并降低推荐算法的时间复杂性,对基于谱聚类的个性化推荐系统进行了研究,具体研究内容包括：(1)将谱聚类引进到个性化推荐系统中,利用加权核模糊聚类和初始质心选择算法对谱聚类进行改进,并修正Person相关性。最后将改进的谱聚类和相似性度量方法与协同过滤结合,得到了两种改进的基于用户谱聚类的协同过滤推荐算法。在MovieLens 100K数据集上,上述两种算法的平均绝对误差(Mean Absolutre Error, MAE)以及均方根误差(Root Mean Square Error, RMSE)较传统的K-means聚类协同过滤算法至少降低了4%,运行时间至少减少了一半；在MovileLens 1M数据集上,MAE与RMSE值至少改善了2%,运行时间减少了80%。(2)基于用户特征属性,提出了用户年龄、性别、职业的预处理方式,获得用户特征属性矩阵后,提出了基于用户特征属性谱聚类协同过滤算法。(3)针对偏差奇异值分解(Bias Singular Value Decomposition, BSVD)算法存在的过拟合问题,综合利用用户特征属性和用户-项目历史评分记录,将上述所提出的基于用户特征属性谱聚类与BSVD模型相结合,并在模型中增加了一个新用户判断来解决冷启动问题,最后得到了一种改进的推荐算法。在MovieLens 100K数据上,该算法与BSVD分解算法相比较,其MAE和RMSE值至少减少了6%,在数据集MovieLens 1M上,MAE与RMSE值至少降低了2%。实验表明,该算法不仅提高了推荐准确率并具有一定的可扩展性。(4)利用已有的数据集合设计多个实验,将提出的算法与传统的算法进行验证比较,通过实验可以得出,将谱聚类运用到个性化推荐系统中能够大大地提高预测精度和系统的实时响应速度,最终为企业和商家带来更大的经济收益。