论文部分内容阅读
近年来,随着互联网科学技术的迅速崛起,网络数据与日俱增,随之而来的信息过载问题也日趋严重。因此,对于用户而言,从大量繁复的网络讯息中快速、准确获取目标信息是一项十分重要的任务。推荐系统作为信息过滤的重要手段,已经广泛应用于各大电子商务网站。然而,随着网络经济平台的扩大,网购人数急剧增多,网上商品种类不断增加,使得推荐系统的冷启动、稀疏性等缺陷逐渐显露。针对传统算法的不足,本文从定性分析和模糊聚类角度出发,构建出一套完整的基于项目云的个性化推荐系统。该系统巧妙融合云模型与有序秩聚类的优势,在传统算法的基础上提出一种基于项目云的有序秩聚类协同过滤推荐算法。本文设计的个性化推荐系统大致可以分成三大模块:数据预处理、有序秩聚类、预测和推荐。在数据预处理模块,本文通过云模型来拟合不同项目的分布情况及其统计分布特征,并用云发生器生成的缺失值来还原原始评分矩阵;其次,该算法将有序秩聚类算法与推荐系统相结合,用新定义的排序准则对项目云进行初步分类,生成有序云向量,为之后的相似度计算奠定基础;此外,本文选择“聚类-推荐”模式,在聚类簇内探索分析项目云之间的关系,进而生成推荐结果。同传统推荐算法相比,该算法主要做出了如下改进:第一,本文探索分析原始数据分布特征与数据缺失原理,给出合理的数据缺失机制假设;并通过云模型来拟合数据分布特征。第二,为从根本上缓解数据极端稀疏性,本文提出两种数据填充算法。一种是依据项目分布进行普通填充;另一种则是通过新定义的用户评分可靠度进行加权填充。对比两种不同的填充机制,判断用户评分可靠度对推荐结果的影响。第三,填充缺失值时,本文利用经验分布函数,对连续性随机数进行离散化转变成符合本研究数据打分机制的评分数。这一做法充分考虑到了项目本身的性质特征,依据其统计分布信息生成缺失值来还原原始评分矩阵,更能科学反映项目的评分特征。第四:本文首次将有序秩聚类算法与推荐系统相结合,根据新定义的排序准则对项目云进行有序秩聚类,不仅能提高推荐精度,且大大缩短了计算时间。传统推荐算法需要计算相似度nn?2)1(次,本文仅需n?1次。最后,为检验基于项目云的有序秩聚类协同过滤推荐算法的有效性,本文用R语言软件分别对MovieLens Data和Jester Joke Data进行试验。实证分析结果表明:新提出的数据填充机制能有效改善系统的极端稀疏性;基于项目云的有序秩聚类算法融入了云模型的不确定性,不仅可以缓解推荐系统的冷启动问题,而且能够更准确的定位同质项目,提高推荐精度;此外,有序秩聚类算法确实能够降低计算复杂度,提高推荐系统的可扩展性。因此,该算法的提出对于目前个性化推荐系统的研究与发展具有十分重要的意义。