论文部分内容阅读
随着电商和网络技术快速发展，大家足不出户就可以选择自己所需大多数商品，这也标志着人们从信息匮乏时代进入信息超载时代。在电子商务时代，人们可以通过互联网更方便、快捷获取所需信息。但信息超载带来了资源利用率低、信息定位困难等问题。为了解决此类问题，推荐系统被提出。虽然推荐系统可以有效缓解信息超载产生的困扰，但也面临着诸多问题：如何在稀疏数据中迅速找到目标用户的相似用户，如何在稀疏数据中挖掘用户真实兴趣偏好并为用户产生推荐列表，如何反映用户兴趣随时间变化而变化等。本文在推荐系统现有研究基础上，针对以上问题进行了系统研究和分析，主要工作如下。
1.针对数据稀疏性问题，提出基于k-means双重聚类协同过滤推荐算法。首先使用用户平均分填充稀疏用户-项目评分矩阵，然后依次对用户和项目进行聚类，将项目评分相似的用户归为一类，产生用户聚类；同时，将用户评分相似的项目归为一类，产生项目聚类。根据用户或项目所属类查找最近邻，然后为目标用户产生推荐列表。实验证明，本文提出的算法有效缓解了数据稀疏性，缩短了最近邻查找时间，从而有效提高推荐准确率。
2.针对数据集中有效数据十分稀疏，用户真实兴趣偏好很难获取问题，提出基于用户偏好和聚类协同过滤推荐算法。用户偏好包括以下两种：评分偏好和兴趣偏好，通过设定两种偏好权重系数，得到用户相似度最优解。并根据用户对项目评分平均值填充稀疏数据集，然后将用户聚类，该算法不仅考虑了用户偏好问题而且还提高了推荐准确率。实验证明，加入用户兴趣偏好后，推荐列表的项目命中率更高。
3.针对用户兴趣并不是一成不变，而是随着时间变化而变化的问题，提出基于时间因素的用户聚类协同过滤推荐算法。充分考虑了时间因素对用户兴趣的影响，在分析用户真实兴趣偏好时，增加用户最近兴趣权重，该算法假设两用户对相同项目的操作时间间隔越短，用户相似度越高。该算法先将加入时间因素后的用户聚类，因此，同一类内目标用户的最近邻与目标用户兴趣更接近。该算法为目标用户推荐商品时，不仅可以缩短相似用户查找空间而且对目标用户兴趣偏好预测更准确。实验证明，加入用户评分时间后，能更准确预测目标用户对项目评分，有效提高推荐准确率。
1.针对数据稀疏性问题，提出基于k-means双重聚类协同过滤推荐算法。首先使用用户平均分填充稀疏用户-项目评分矩阵，然后依次对用户和项目进行聚类，将项目评分相似的用户归为一类，产生用户聚类；同时，将用户评分相似的项目归为一类，产生项目聚类。根据用户或项目所属类查找最近邻，然后为目标用户产生推荐列表。实验证明，本文提出的算法有效缓解了数据稀疏性，缩短了最近邻查找时间，从而有效提高推荐准确率。
2.针对数据集中有效数据十分稀疏，用户真实兴趣偏好很难获取问题，提出基于用户偏好和聚类协同过滤推荐算法。用户偏好包括以下两种：评分偏好和兴趣偏好，通过设定两种偏好权重系数，得到用户相似度最优解。并根据用户对项目评分平均值填充稀疏数据集，然后将用户聚类，该算法不仅考虑了用户偏好问题而且还提高了推荐准确率。实验证明，加入用户兴趣偏好后，推荐列表的项目命中率更高。
3.针对用户兴趣并不是一成不变，而是随着时间变化而变化的问题，提出基于时间因素的用户聚类协同过滤推荐算法。充分考虑了时间因素对用户兴趣的影响，在分析用户真实兴趣偏好时，增加用户最近兴趣权重，该算法假设两用户对相同项目的操作时间间隔越短，用户相似度越高。该算法先将加入时间因素后的用户聚类，因此，同一类内目标用户的最近邻与目标用户兴趣更接近。该算法为目标用户推荐商品时，不仅可以缩短相似用户查找空间而且对目标用户兴趣偏好预测更准确。实验证明，加入用户评分时间后，能更准确预测目标用户对项目评分，有效提高推荐准确率。