基于奇異值分解和k-means聚類的電子商務推薦算法研究.pdf

1、隨著互聯網的大規(guī)模覆蓋和電子商務的飛速發(fā)展，不斷膨脹的網絡信息量和網絡資源，將用戶帶入了一個信息過載的時代。伴隨著持續(xù)增長的海量信息，網絡用戶無法迅速地找到自己真正需要的部分。如何從海量的資源中主動為用戶定位和推送其可能感興趣的內容是當前推薦系統(tǒng)的主要任務。推薦系統(tǒng)的最大優(yōu)點在于能夠快速推送用戶真正感興趣的資源，緩解了信息檢索的壓力。目前，在眾多的推薦技術中，協(xié)同過濾推薦是其最為成功和應用最為廣泛的推薦技術。
　　在協(xié)同過濾推薦研

2、究領域中，主要涉及的模型問題多數是數據的稀疏性和可擴展性，以及推薦精度的問題，而k-means聚類算法是一種無監(jiān)督學習的算法具有良好分類性能，且適用范圍廣、算法簡潔。然而面對數據矩陣稀疏性，聚類算法能有效地根據相似興趣愛好將用戶分配到相同的聚類簇中;聚類產生后，根據鄰居用戶預測評價目標用戶對該商品的評價。但是由于數據稀疏，使得目標用戶處在聚類的邊緣，對該目標用戶的推薦精度較低，鑒于此，本文首先采用奇異值分解技術化解數據稀疏性給數據對象聚

3、類造成的不利影響;然后針對初始聚類中心的隨機性，提出的改進算法與協(xié)同過濾算法進行融合，并對其進行仿真實驗，實驗驗證了改進算法具有良好的推薦性能。
　　基于奇異值分解的推薦算法的基本思想:首先以協(xié)同過濾算法為主體，針對出現的稀疏性數據造成的推薦精度低問題的基礎上，采用奇異值分解技術，對評分矩陣進行降維處理，并結合著梯度下降法對用戶和項目特征進行更新，有效的避免了過擬合現象的發(fā)生，同時克服了零評分用戶對相似度計算時出現的推薦不精問題。

4、通過MovieLence數據集的測試，并與傳統(tǒng)的推薦時推薦算法進行對比，結果表明該算法在推薦精度方面有較好的改善。
　　一種改進初始質心的k-means聚類算法的基本思想是:針對傳統(tǒng)的k-means聚類算法k個初始聚類中心選擇上的隨機性，造成聚類結果的波動性，提出了一種能夠生成比較穩(wěn)定的初始聚類中心的改進算法;同時，借助均衡化函數有效尋找最佳k值。通過UCI數據集的仿真實驗，并與傳統(tǒng)k-means聚類算法進行比較，結果表明該改進算