基于项目分类和K-means聚类的加权Slope One算法研究

摘要

协同过滤推荐算法是现实世界应用最广泛、最成熟的算法之一。本课题研究的Slope One算法就是一种基于项目的协同过滤推荐算法，该算法因其简单高效的特点受到众多学者的青睐。但该算法将所有用户和项目看的同等重要，当数据集过于稀疏时算法的预测精度和可扩展性都面临严峻挑战。针对这些问题，本课题提出了相应的改进措施。
　　首先，简单介绍了推荐系统产生的背景和研究现状，描述了协同过滤推荐算法的相关知识。紧接着重点讲解了Slope One算法的相关内容，总结了算法的优缺点，并提出相应的改进方案。
　　其次，随着用户和项目数量的急剧增长，计算量也随之增加，该情况会导致算法的可扩展性差。因此本文考虑利用项目分类信息划分评分矩阵，使Slope One算法的相关计算在目标项目所在的分类矩阵中进行。为了区分用户，引入分类专家，即利用专家用户的评分计算项目间偏差；为了区分项目，引入项目动态k近邻，即利用用户对近邻项目的评分计算偏差和预测评分。这种改进方案不仅减小了计算量，同时还过滤了不相关用户或项目对预测结果的影响，提高了推荐精度。
　　然后，考虑到有的数据集不包含项目属性信息，此时采用 K-means聚类方法，利用评分信息分别对用户和项目聚类。对于基于用户聚类的方法，需要在目标用户所在的聚类中寻找该用户的k近邻，然后根据近邻用户的评分计算项目偏差；对于基于项目聚类的方法，需要在目标项目所在的聚类中寻找该项目的k近邻，然后根据用户对近邻项目的评分计算偏差和预测评分。该方案同样可以减小计算量和提高预测准确性。
　　最后，通过实验验证本文提出的改进算法的预测准确性优于原算法。

目录

声明

第1章 绪 论

1.1 课题研究的背景与意义

1.2 推荐算法的分类

1.3 国内外研究现状

1.4 研究内容介绍

1.5 本文的组织结构

第2章 基础知识和相关工作

2.1 协同过滤推荐算法综述

2.2 Slope One算法介绍

2.3 本章小结

第3章 基于项目分类的加权Slope One算法

3.1 引言

3.2 准备工作

3.3 基于项目分类的加权Slope One算法

3.4 算法步骤

3.5 本章小结

第4章 基于K-means聚类的加权Slope One算法

4.1 引言

4.2 K-means聚类方法

4.3 基于K-means聚类的加权Slope One算法

4.4 算法步骤

4.5 本章小结

第5章 实验结果与分析

5.1 实验环境配置

5.2 实验评价标准

5.3 实验数据集

5.4 基于项目分类的加权Slope One算法实验结果及分析

5.5 基于K-means聚类的加权Slope One算法实验结果及分析

5.6 本章小结

结论

参考文献

致谢