基于云模型和用户聚类的协同过滤推荐算法研究

摘要

随着互联网技术的快速发展,数据呈现爆炸式增长，信息过载问题越来越引人注目。协同过滤推荐技术在解决信息过载问题方面已经取得了不错的效果，但在实际应用中随着用户和项目的增多，数据稀疏性和扩展性等问题仍然制约了算法的性能，这些问题成为该领域的研究热点问题，具有很好的研究价值。因此，如何有效缓解基于协同过滤算法推荐系统中的数据稀疏性等问题、进一步提高推荐系统的预测准确度是本课题研究的主要目标。
　　聚类技术常用于推荐系统中对用户进行聚类，挖掘用户的相似群体，进而有效的寻找合理的相似近邻集合，从而提高预测准确度。因此，针对传统Fuzzy C-Means算法对初始点敏感，易陷入局部最优解的缺陷进行了改进，提出了一种改进的模糊聚类算法（SoMKfcm算法）。首先，提出了一种初始聚类中心选择策略，有效避免噪音数据点的影响；其次，目标函数结合了样本加权和样本聚类中心距离，增加样本属性的非均衡性；最终对迭代求解过程进行优化，结合了模拟退火算法，加入了求解的随机跳跃性，避免结果陷入局部最优解。在MATLAB平台基于真实数据集上实验结果表明，与传统的算法相比，SoMKfcm算法具有更好的聚类效果和较好聚类准确度，并有效的改善传统算法的缺陷。
　　在上述工作基础上，基于评分数据和用户个人信息数据，提出了一种结合云模型和用户特征聚类的推荐算法(CCCF算法)。首先，利用用户个人信息和云模型逆向云算法来重构评分数据，生成用户融合行为偏好向量。其次，在融合行为偏好矩阵的基础上利用SoMKfcm方法对用户进行模糊聚类，给出了重要性群体选择策略，为后续步骤提供数据平滑和近邻用户集的选择，进而提出了一种多维相似度计算方法。最后，基于上述结果进行评分预测。
　　为了验证CCCF推荐算法的有效性，本文在Moveilens1m和Moveilens100k数据集上与其他几种相关算法进行对比实验。实验结果表明：在不同稀疏度情况下，CCCF算法能够有效缓解数据稀疏性对推荐算法的影响，算法预测准确度得到明显提高。

目录

封面

声明

中文摘要

英文摘要

目录

1绪论

1.1研究背景与意义

1.2国内外研究现状

1.3主要研究内容

1.4论文组织结构

2个性化推荐算法分析

2.1个性化推荐系统

2.2主要推荐算法

2.3推荐算法中存在的问题

2.4聚类方法分类

2.5本章小结

3改进的Fuzzy C-Means聚类方法

3.1问题描述

3.2HCM和FCM聚类算法分析

3.3 HCM和FCM算法场景应用分析

3.4 改进的FCM算法设计与实现

3.5实验验证与结果分析

3.6本章小结

4 CCCF:一种结合云模型和用户特征模糊聚类的推荐算法

4.1引言

4.2预备知识

4.3用户融合行为偏好矩阵的构建

4.4融合改进聚类方法的协同过滤推荐算法

4.5仿真实验与结果分析

4.6本章小结

5总结与展望

5.1主要研究成果

5.2下一步工作展望

致谢

参考文献

附录I 攻读硕士期间参与的科研工作