电子商务推荐系统中用户聚类问题和用户兴趣变化问题研究.docVIP

摘摘要要协同过滤推荐技术是推荐系统中应用最广泛的一种技术，然而随着系统规模的逐步扩大，该技术使推荐系统的实时性与推荐精确性面临极大的挑战。针对实时性问题，基于K-Means用户聚类的协同过滤技术将算法分为离线和在线两个部分，离线部分将用户进行K-Means聚类形成簇，在线部分寻找用户所在簇并进行推荐。该方法使系统的实时性得到改善，但是本身却存在缺陷：算法需要初始划分并且初始划分的优劣直接决定聚类结果的好坏，另外算法聚类结果存在局部最优性，而这些缺陷势必影响算法的性能。于是，为了克服这些问题，本文提出了使用AntClass蚁群算法对用户进行聚类，该算法不仅不需要任何初始信息，而且算法参数设置简单，所以规避了算法本身的复杂性，使聚类过程更符合实际应用情况，聚类结果更合理。系统规模扩大给系统带来的另一个问题是用户的兴趣爱好可能会随着时间推移而发生变化。如果像传统协同过滤推荐技术那样使用所有历史评分数据，可能会影响推荐的质量，因为用户在很久之前的评分可能不再具有预测价值。针对这个问题，本文提出了将系统中的评分数据看成数据流，利用金字塔时间框架存储方式对其进行数据筛选，从而使历史信息中离当前时间越远的数据利用率越低，离当前时间越近的数据利用率越高。综上所述，本文针对系统中的数据流利用金字塔时间框架进行存储，再利用AntClass蚁群算法对用户进行聚类，形成基于AntStream用户聚类的协同过滤推荐系统。通过对比性实验证明，该算法能在保证实时性的基础上，明显的提高推荐质量。关键词：电子商务推荐系统协同过滤蚁群聚类金字塔时间框架IAbstractABSTRACTAmongallrecommendationsystems,Collaborativefilteringrecommendationtechnologyisthemostwidelyusedone.However,asthescalegraduallyexpands,recommendationsystemisnowfacingagreatchallengeonbothreal-timeresponsivenessandrecommendationperformance.Inordertoaddressingthereal-timeresponsivenessissue,Collaborativefilteringtechnology,basedonclusteredusersusingK-MeansAlgorithmdividedrecommendationprocessintotwoparts:theofflinepartandtheonlinepart.Inofflinepart,K-MeansAlgorithmpartitionallusersintoseveralclusters,whileinonlinepart,systemsmakerecommendationaccordingtoclusterwhichthecertainuserbelongedto.Thisapproachwouldimprovereal-timeresponsivenessforrecommendationsystem,butunfortunatelyhasitsownflaws:ontheonehand,thealgorithmrequiresaninitialpartitionandtheconditionofinitialpartitionhascloserelationshipwiththequalityofclusteringresult;ontheotherhand,theclusteringresultexistlocaloptimumissue.Thesedefectswilldefinitelyaffecttheperformanceofthealgorithm.Thus,inordertoovercomingtheseproblems,thispaperproposesusingAntClassclusteringalgorithminsteadofK-MeansAlgorithm.AntClassclusteringalgorithmdoesnotrequireanyinitialinformationandcomplicatedparametersetting.Avoidingthecomplexityofthealgorithmitself,AntClassclusteringalgorithmcanapplytotheactualsituationmuchbetter，andtheclusteringresultsaremorereasonable.Anoth