论文部分内容阅读
随着Internet的快速发展,万维网已经成为信息发布和信息获取的主要平台,其信息量增长很快.虽然用户可以直观地从浏览器中得到网页中的信息,然而在短时间内找到自己感兴趣的信息是困难的.个性化推荐系统就是为了解决该类问题而提出的一种智能代理系统,即根据用户的信息,包括用户的性质、用户的资料、用户的偏好、和购买行为等,给用户推荐感兴趣的信息和项目,是有针对性的推荐.本文基于聚类算法和矩阵分解算法为用户进行协同过滤推荐,具体从两个方面入手:(1)基于用户属性聚类和评分矩阵填充的个性化推荐.本文提出了一种新的演化聚类方法.算法的目标是将具有相同兴趣的用户聚集到同一个类中,并为用户推荐他们可能喜欢的项目.首先,计算用户属性距离,根据本文构建的动力学网络聚类模型,用户的相位随着时间的推移而演变,用户的相位经过一段迭代后将会稳定.根据用户的稳定状态,他们被分成不同类.用户的兴趣偏好随时间而变化,然而用户的兴趣在较短时间内是相对稳定的.其次,基于评分时间和项目类别来填充评分矩阵.再次,在每个类中采用基于用户的协同过滤,在同一类中的用户相似度被计算用填充的矩阵.最后,根据用户的邻居集来计算目标评分,并给目标用户推荐感兴趣的项目.针对提出的算法进行了实验,并与已有的推荐算法相比,实验结果表明算法提高了推荐精度,并有效地解决了评分矩阵稀疏问题.(2)基于填充矩阵奇异值分解和相似度加权的协同过滤推荐.本文针对填充的评分矩阵的特点,对填充的矩阵进行奇异值分解,用分解后表示用户特征的矩阵来计算用户的相似度矩阵.然后,根据原始评分矩阵来计算用户的相似度矩阵,将两个相似度矩阵加权.最后,根据相似度从大到小选出邻居集,基于用户的协同过滤来预测评分,并且产生推荐.通过实验,与已有的推荐算法相比,实验结果表明算法提高了推荐精度。