李 雪,高心丹

(东北林业大学 信息与计算机工程学院,哈尔滨 150040) E-mail:gaoxd@nefu.edu.cn

1 引 言

随着互联网信息与网络服务(如:电影、音乐)的爆炸式增长,信息过载成为一大难题,个性化推荐系统应运而生,它的出现有效地提高了信息处理效率和服务质量.当前在电子商务[1]、餐饮[2]、交通运输[3]等领域都存在着各种形式的推荐系统.协同过滤算法[3]是众多推荐系统中应用最广泛、最成功的推荐技术之一,在众多领域得到了应用.然而随着系统数据多维化、稀疏化情况的加剧,近邻寻找的复杂度急剧增加,推荐系统性能显著下降.为了解决这些问题,很多学者采用聚类算法来提高推荐效果[4,6-7].由于项目分类标签与项目内容有较高的相关性,独立于评分数据的系统本身就存在一种自然的群组,基于信息缺失的稀疏矩阵的聚类虽然能够提高推荐精度,但存在聚类结果解释性较差、聚类数量的选择带有主观性、聚类空间较大等问题.本文通过更新聚类算法、改变聚类对象,生成可解释性较高的系统主题分类以改善传统方法的不足,同时兼顾项目的时间和评分属性寻找近邻.在解决项目的主题跨度问题方面,本文引入一种主题偏重系数来衡量系统内项目的内容倾向,最后得到相应主题下用户对未评分目标项目的偏好,并依据偏好度排序得到推荐结果.

2 相关工作

2.1 项目属性对推荐的影响

传统推荐算法是基于用户项目评分矩阵计算项目相似度或用户相……