模糊聚类算法及其在协同过滤推荐中的应用

《模糊聚类算法及其在协同过滤推荐中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中图分类号!里三Q!!鱼UDC39硕士学位论文学校代码密级10533模糊聚类算法及其在协同过滤推荐中的应用FuzzyClusteringAlgorithmandItsApplicationinCollaborativeFilteringRecommendation作者姓名：学科专业：研究方向：学院(系、所)：指导教师：欧鹏杰信息与通信工程信息推荐技术信息科学与工程学院熊拥军副教授答辩委员会主席—鳓中南大学二O一三年四月原创性声明本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表

2、或撰写过的研究成果，也不包含为获得中南大学或其它单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。作者签名：艮塑

3、j毒圭日期：学位论文版权使用授权书本人了解中南大学有关保留、使用学位论文的规定，即：学校有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》，并通过网络向社会公众提供信息服务。作者签名：型堕导师签钽銎‰：丛年』月么曰模糊聚类算法及其在

4、协同过滤推荐中的应用摘要：近年来，随着电子商务市场的急速扩增以及网络购物成交量的日益加大，海量的商品信息充斥着每个消费者的生活，如何方便快捷地为用户提供满足其个性化需求的信息，推荐技术应运而生。协同过滤推荐技术是目前个性化推荐技术中学者们研究的热点，也是应用最广、推荐效果较优的一种推荐技术。文章介绍常用的推荐算法及其他相关技术，比较各种推荐算法的优缺点。并对协同过滤推荐算法的分类及其存在的问题进行阐述。对传统的模糊C均值聚类算法中的距离度量公式和初始聚类中心的选择两方面进行优化，将密度函数及马氏距离公式引入传统的模糊C均值聚类算法中，提出模糊C均值聚类优化算法(FuzzyC．

5、meanSBasedonMahalanobisandDestiny，即FCMBMD算法)，实验结果表明：FCMBMD算法不论在聚类的正确性、收敛性及迭代次数方面都优于传统的模糊C均值聚类算法。再将FCMBMD算法应用到传统的协同过滤推荐技术中，得到基于模糊聚类的协同过滤算法(CollaborativeFilteringAlgorithmBasedonFuzzyClustering，即CFABFC算法)，该算法针对协同过滤推荐中数据集稀疏性问题，用FCMBMD算法对稀疏数据集进行聚类得到聚类子集，在聚类子集中寻找目标用户近邻并根据用户近邻进行推荐。实验结果表明：CFABFC算法

6、具有更好的推荐效果。图16幅，表19个，参考文献61篇。关键词：推荐系统；协同过滤推荐算法：模糊聚类算法；数据稀疏性中图分类号：TP301．6IIFuzzyClusteringAlgorithmandItsApplicationinCollaborativeFilteringRecommendationAbstract：Inrecentyears，withtherapidamplificationofthee-commercemarket，vastamountsofproductinformationfiUwiththelifeofeverycustomer．Inordert

7、oletusersquicklyandconvenientlygettherequiredproductinformation，recommendationtechnologyemergesasthetimesrequire．Asthemostsuccessfulpersonalizedrecommendationtechnologyofrecommendationsysteminpresent，collaborativefilteringrecommendationisobtainingmoreandmoreattentionofresearchersThisarticle

8、describesthecommonrecommendationalgorithmandotherrelatedtechnologies．In．addition，itcomparesthevariousadvantagesanddisadvantagesoftherecommendationalgorithm．Italsopresentstheproblemsandclassificationofcollaborativefilteringrecommendation．Thearticlepropose