基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法技术

本发明专利技术涉及一种基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法，采用如下步骤：A、采用最小化最大相似度准则确定K个初始聚类中心；B、根据相似度和最大的k-medoids聚类算法对项目进行聚类；C、在聚类基础上，寻找用户局部最近邻；D、将用户全局最近邻与局部最近邻以相似度和之比作为权值进行融合，根据用户全局最近邻与局部最近邻对项目的评分预测用户对项目的评分。本发明专利技术同现有技术相比，更大限度地利用了已有的数据，缓解了数据极端稀疏性对推荐的影响，同时提高了评分预测的精度，为用户提供更好的推荐结果。

【技术实现步骤摘要】

本专利技术涉及信息过滤的
，更具体地说，涉及一种基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法。
技术介绍
随着互联网的普及和电子商务的发展，网络资源不断丰富，网络信息量不断膨胀，用户要在众多的选择中挑选出自己真正需要的信息好比大海捞针。推荐系统应运而生，推荐系统为不同用户提供不同的服务，以满足不同的需求。推荐系统成为电子商务的核心，而协同过滤推荐算法是推荐系统中应用最成功、最广泛的方法。目前，几乎所有的大型电子商务系统，如淘宝、京东、当当、亚马逊、eBay等系统均采用了该方法来提高服务质量。协同过滤通常可分为两类：基于记忆的协同过滤和基于模型的协同过滤。其中基于记忆的协同过滤利用整个用户-项目评分数据集进行计算，为目标用户选择一部分兴趣相近的邻居用户，根据邻居用户的评分预测目标用户对项目的评分值。随着电子商务系统规模的进一步扩大，用户数目和项目数据急剧增加，导致用户数据评分数据的极端稀疏性，而在用户评分数据极端稀疏的情况下，通过全局相似度计算得到的最近邻不准确，从而导致推荐系统的推荐质量急剧下降。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种可以更大限度地利用已有数据，提高推荐的精确度的基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法。本专利技术的技术方案如下：一种基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法，包括如下步骤：1)采用最小化最大相似度准则确定K个初始聚类中心；2)根据相似度和最大的k-medoids聚类算法对项目进行聚类；3)在聚类基础上，寻找用户局部最近邻；4)将用户全局最近邻与局部最近邻以相似度和之比作为权值进行融合，根据用户全局最近邻与局部最近邻对项目的评分，预测用户对项目的评分，完成推荐。作为优选，步骤1)具体为：1.1)使用余弦相似度计算所有样本点i，j之间的相似度sim(i,j)，其中，i,j＝1,2,…,n,i≠j，将所有样本点之间相似度最小的两个样本点作为前两个初始聚类中心μ1和μ2；1.2)计算未选为初始聚类中心的其它样本点i到已经被选定的每一个聚类中心μ1,μ2,…,μk的相似度sim(i,μ1),sim(i,μ2),…,sim(i,μk)；1.3)选择样本点i到已经被选定的聚类中心μ1,μ2,…μk的相似度中最大相似度为样本点i到聚类中心集的相似度sim(i,μ)＝max{sim(i,μ1),sim(i,μ2),…,sim(i,μk)本文档来自技高网...

【技术保护点】
一种基于k‑medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法，其特征在于，包括如下步骤：1)采用最小化最大相似度准则确定K个初始聚类中心；2)根据相似度和最大的k‑medoids聚类算法对项目进行聚类；3)在聚类基础上，寻找用户局部最近邻；4)将用户全局最近邻与局部最近邻以相似度和之比作为权值进行融合，根据用户全局最近邻与局部最近邻对项目的评分，预测用户对项目的评分，完成推荐。

【技术特征摘要】
1.一种基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法，其特征在于，
包括如下步骤：
1)采用最小化最大相似度准则确定K个初始聚类中心；
2)根据相似度和最大的k-medoids聚类算法对项目进行聚类；
3)在聚类基础上，寻找用户局部最近邻；
4)将用户全局最近邻与局部最近邻以相似度和之比作为权值进行融合，根据用户全局最
近邻与局部最近邻对项目的评分，预测用户对项目的评分，完成推荐。
2.根据权利要求1所述的基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐
方法，其特征在于，步骤1)具体为：

【专利技术属性】
技术研发人员：王成，陈维斌，苏芳芳，文诗琪，王田，钟必能，陈叶旺，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35