融合用户属性、兴趣度和信任度的模糊C均值聚类推荐技术的研究与实践

• 作 者: 王凯旋
• 出 处: 北京工业大学
• 发表日期: 2020年01期
• 关键词: 协同过滤 属性特征 兴趣特征 信任度 模糊C均值聚类

互联网技术的快速发展使我们的生活获益良多,伴随着当前互联网信息的井喷式增长,如何从海量的数据库中快速筛选出我们需要的数据,是一项拥有现实研究意义的课题。此时,协同过滤推荐系统便应运而生。由于其自动化程度高、提供的服务能满足个性化推荐需求等优点,一经面世便得到了广泛的应用。但是随之也发现了算法的诸多不足之处。例如,随着用户和项目数量的急剧增长,算法的计算量呈指数上升,计算效率随之下降,解决这类计算量过大问题的传统方法便是引入聚类算法,但传统的聚类算法中又存在着硬聚类、冷启动、数据稀疏性、推荐结果准确度低等问题。针对上述问题,本文的研究内容主要有如下几个方面:(1)提出改进的聚类算法,解决传统算法存在的硬聚类问题。通过引入IKA算法对聚类中心点进行初始化,使得到的初始聚类中心分布均匀,再使用模糊C均值聚类算法获得隶属矩阵。最后在目标用户所属类中寻找近邻用户。这样在缩小最近邻计算范围的基础上解决了传统聚类算法存在的硬聚类问题和局部最优问题。(2)对协同过滤算法进行改进。改进具体分为以下三个方面:引入用户属性相似度。将用户的职业、年龄、性别等属性因素融合得到属性相似度,属性相似度的引入可以缓解新用户因为无历史记录所以无法进行推荐的冷启动问题。引入用户的兴趣度。兴趣度用来标识用户偏好的项目种类,兴趣度的引入可以一定程度上提高推荐结果的准确性。引入用户信任度。信任度用来标识用户为别人推荐的结果被采纳的概率大小,分为直接信任度和间接信任度。信任度的引入使得推荐的结果有更高的新颖性,其中间接信任度的引入还丰富了相似度矩阵,缓解了矩阵稀疏性问题。实验结果表明本算法能够解决传统聚类中出现的硬聚类、局部最优问题。优化了聚类效果,还在协同过滤算法的改进后成功的缓解了冷启动、矩阵稀疏性、推荐结果准确性不足等问题,算法推荐质量有了显著的提高。(3)使用本文提出的推荐算法设计编码实现了个性化电影推荐系统。将该算法用于电影推荐系统中,完成了系统的需求分析、架构设计、数据库设计及其具体实现。