基于自组织的聚类算法的个性化推荐算法研究

摘要

随着互联网时代的快速发展，互联网信息日益复杂、多样，人们通过网络获取自己所需信息的难度越来越大，信息过载问题日益严重。推荐系统是应对该问题的方法之一。推荐算法是推荐系统的一部分。协同过滤推荐算法是一类经典而重要的推荐算法。它在被使用时经常需要应对数据稀疏性及适应性问题。现有研究中解决数据稀疏性问题的方法之一是先聚类再进行协同过滤。然而，大部分先聚类后协同过滤的推荐算法只支持离线学习，无法适用于信息频繁更新的增量学习场景，适应性较差。目前已提出了少量适应性较强、能适用于增量学习场景的先聚类的协同过滤推荐算法，但还存在一些不足，如聚类阶段确定簇数的时间较长，推荐准确度不够高等。
　　针对现有研究中存在的不足，本文对先聚类的协同过滤算法进行了研究，提出了一种能进行簇数自适应增长的先聚类后协同过滤的推荐算法——EEICF(Enhanced Efficient Incremental Collaborative Filtering)。相比现有算法，EEICF在一定程度上提高了推荐准确度，并且该算法在运行过程中簇数量能自适应增长，有效地降低了聚类阶段确定簇数的耗时。
　　本文的研究工作如下：
　　1）提出了MWOSK-means(Modified Weighted Online Spherical K-means)算法，改进了现有EICF(Efficient Incremental Collaborative Filtering)算法聚类阶段的用户权值和项目权值的计算方法，提高了推荐准确度。
　　2）提出了MGSoC(Modified Growing Self-organizing Clusters)算法，改进了现有GSoT(Growing Self-organizing Trees)算法中多棵树的自适应生长过程，实现了算法中簇数量的自适应增长。
　　3）将改进后的MWOSK-means算法与MGSoC算法结合协同过滤算法，提出了一种具有更高推荐准确度、簇数能自适应增长、适应增量学习场景的推荐算法EEICF。

目录

声明

第一章 绪 论

1.1 本文研究背景及意义

1.2 国内外研究现状

1.3 本文的主要工作

1.4 本论文的结构安排

第二章 相关理论与技术

2.1 推荐算法

2.2 聚类算法

2.3 增量式协同过滤算法

2.4 本章小结

第三章 MWOSK-means：一种基于WOSK-means的聚类算法

3.1 MWOSK-means

3.2 实验及结果分析

3.3 本章小结

第四章 EEICF：基于MWOSK-means与MGSoC的推荐算法

4.1 MGSoC：一种源于GSoT的簇数自适应增长算法

4.2 EEICF

4.3 实验及结果分析

4.4 本章小节

第五章 总结及展望

5.1 本文总结

5.2 未来的工作

致谢

参考文献

攻读硕士学位期间取得的成果