基于聚类专家选择的协同过滤推荐算法研究

摘要

在经过web2.0发展浪潮之后，当今世界信息更趋于多元化、复杂化、专业化。为了在海量信息中找到用户想要的信息，上世纪90年代就出现了个性化推荐系统。个性化推荐从用户的行为和数据出发，挖掘用户的需求和兴趣。
　　个性化推荐分为基于内容的推荐、协同过滤推荐和基于知识的推荐。其中协同过滤推荐算法应用最广泛。针对协同过滤推荐算法中精确性不够的问题，本文的主要工作集中在：
　　1)提出了一种新的领域划分的方法。对商品进行领域划分，能够让系统迅速找到对目标商品相关领域了解的用户。怎样划分领域，有人提出人工对商品分类，在目标商品相关的商品领域中寻找邻居来给用户推荐。但是人工分类并不可靠，而且无法发现商品之间的潜在关系。为此，本文提出利用聚类来划分商品领域的方法。这样做的好处是，能够发现商品之间的潜在关联关系，将潜在关联的商品的评分作为向用户推荐的参考，尤其在商品无法人工识别分类的情况下。
　　2)在相似度公式中引入了信任度这一因素。传统的相似性由用户之间评分的相似度来衡量。这样做的问题是，用户评分的可靠性无法确定，可能并不可靠。为了解决用户评分不可靠的问题，本文将信任度作为相似性衡量的一个因素。这样做的好处是我们可以剔除掉那些不可靠的评分，算法推荐更准确，更令人满意。
　　基于以上两点，本文提出基于聚类专家选择的协同过滤推荐算法。改进后的算法首先根据项目聚类来划分商品领域，在项目所属领域寻找专家，保证所选专家对该领域较为了解。在确定专家用户时，将信任度引入到相似性公式中，综合考虑用户的相似性和信任度。因此，算法选出的专家用户与目标用户兴趣相似而且可信度高。
　　在实验中，本文采用预测准确率和成功率来衡量算法的效果。为了验证算法的稳定性，还对本文算法和基于用户的协同过滤算法在不同信任度环境下的推荐精度做了对比。实验结果表明：基于聚类专家选择的协同过滤算法推荐的精确性较好，推荐结果更让用户满意。尤其在恶意评分普遍存在的环境下，本文算法的推荐效果也较为稳定。本文算法的精确性和稳定性都较基于用户的协同过滤算法好，因此具有较高的应用价值。

目录

封面

声明

目录

中文摘要

英文摘要

第1章 绪 论

1.1 选题背景与研究意义

1.2 个性化推荐研究内容

1.3 个性化推荐研究现状

1.4 本文的研究目标及组织架构

第2章 协同过滤推荐算法的研究

2.1 概述协同过滤推荐算法

2.2 基于内存的协同过滤推荐算法

2.3 基于专家选择的协同过滤推荐算法研究现状

2.4 几个常用的评估指标

2.5 本章小结

第3章 基于聚类专家选择的协同过滤推荐算法

3.1问题的提出

3.2问题的详述

3.3问题的解决方案

3.4算法流程

3.5算法特点

3.6本章总结

第4章 实验及结果分析

4.1 实验硬件和软件

4.2 实验数据

4.3 实验设计

4.4 算法的精确性和成功率

4.5 聚类个数的选择对本文算法精度的影响

4.6 算法在不同评分环境下的稳定性

4.7 本章小结

第5章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

附 录：攻读学位期间发表的学术论文目录