曾 蔚

（1.泉州师范学院 数学与计算机科学学院，福建 泉州 362000；2.福建省大数据管理新技术与知识工程重点实验室，福建 泉州 362000；3.智能计算与信息处理福建省高等学校重点实验室，福建 泉州 362000）

基于用户行为聚类的个性化推荐算法研究

曾 蔚1，2，3

（1.泉州师范学院 数学与计算机科学学院，福建 泉州 362000；2.福建省大数据管理新技术与知识工程重点实验室，福建 泉州 362000；3.智能计算与信息处理福建省高等学校重点实验室，福建 泉州 362000）

提出一种品牌忠诚度模型，根据用户行为首先计算出用户-品牌忠诚度值并预测用户与未交互过品牌的可能忠诚度值来填充矩阵；然后，对用户进行聚类来评价用户的品牌忠诚度水平并结合忠诚度矩阵进行推荐；最后，通过天猫网的用户行为数据集对推荐算法和其他算法结果进行比较。实验结果表明：本推荐算法具有较高的预测精度，同时还具有较高的覆盖度。

品牌忠诚度；协同过滤；用户聚类；个性化推荐；长尾分布

1　引言

协同过滤（Collaborative filtering，CF）算法是推荐系统领域中最早提出且最著名的算法，自1994年提出以来就广泛应用于如新闻推荐、邮件过滤及电子商务推荐系统中，这包括有国外的亚马逊、eBay、YouTube、GroupLens以及国内的京东、当当网等。协同过滤找出与当前用户最相似的用户或与当前用户喜欢的项目相似的项目，根据这些用户或项目的相似性为当前用户推荐可能会喜欢的项目。但随着网站规模扩大，用户数量及项目数量的不断增长，不同用户间同时喜欢的项目数越来越分散，这导致了用户-项目数据的高维度及稀疏性，为协同过滤算法带来了数据稀疏性及冷启动等问题。……