程 勖， 高 雍 政， 郭 芳

( 大连工业大学 管理学院， 辽宁 大连 116032 )

0 引 言

数据特征选择已成为推荐系统重点研究领域，目的是快速实现最优分类，且要精准识别特征信息．数据特征选择主要通过两种途径实现：其一，通过用户商品数据库进行过滤，采用矩阵分解[1]、Slope One[2]；其二，学习用户偏好的描述性模型，采用评分机制，如贝叶斯网络[3]、神经网络分类[4]等．常见的分类方法有决策树、KNN算法、SVM算法、贝叶斯网络、神经网络等．传统KNN算法因其简单高效最为常用．它是一种惰性分类算法，特点在于样本数据不需要训练，使用便捷，但是时间复杂度较高，且将单一变量(距离)作为相似度衡量标准，导致推荐精度低且体验度不够完善，如Jaccard相似性[5]、Manhattan距离[6]等．针对KNN算法的不足，主要解决方案集中在裁剪[7-9]与降维[10-12]两个方面．裁剪方法虽然可快速去除噪声数据，但以损失分类精度为代价；降维方法虽然提高了运算速度，但以牺牲特征数据为代价．如何在保证分类精度的前提下，降低时间复杂度，提升运算速度备受关注．

本文通过M-distance算法思想进行簇聚类，对样本数据进行预处理．相对于k-means方法，它的时间复杂度比较小，聚类效果比较显著[13]．然后对数据进行加权处理，以便缩小数据间的距离，并兼顾数据之间的相关性，更加准确地对数据进行分类．最后，通过简谐振动原理，计算数据相似度距离，优化遍历数据过程，提高搜索速度．

1 加权K近邻算法的特征选择方法

1.1 K近邻算法简介

在模式识别中……