1、社交網(wǎng)絡(luò)的快速發(fā)展導(dǎo)致信息網(wǎng)絡(luò)中容納的信息數(shù)據(jù)飛速增長，但人們要從這些海量數(shù)據(jù)中有效獲取真正符合需求的部分反而變得更為困難，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)通過對(duì)用戶的歷史行為數(shù)據(jù)進(jìn)行分析建模，發(fā)掘用戶潛在的興趣，進(jìn)而向用戶推薦商品或信息。其中推薦系統(tǒng)中應(yīng)用最廣的算法是協(xié)同過濾算法，該算法通過相似用戶的選擇或者相似項(xiàng)目的評(píng)分來預(yù)測目標(biāo)用戶對(duì)項(xiàng)目的評(píng)分。傳統(tǒng)的基于用戶相似度的協(xié)同過濾算法存在兩種缺陷:一是認(rèn)為用戶之間的相似度是對(duì)稱的，這個(gè)假設(shè)在

2、某些情況下會(huì)導(dǎo)致錯(cuò)誤;二是在選擇用戶的k近鄰時(shí)，目標(biāo)用戶需要和其他所有用戶進(jìn)行項(xiàng)目評(píng)分進(jìn)行計(jì)算比較，當(dāng)用戶數(shù)量不斷增長時(shí)，尋找k近鄰的計(jì)算成本會(huì)變得很高。
　　本論文深入分析了現(xiàn)有用戶相似度度量方法的存在的問題，提出了改進(jìn)的用戶相似度度量方法。此外研究了聚類算法來解決k近鄰選取效率不高的問題，提出了一種改進(jìn)的K-means聚類算法。最后結(jié)合這兩種改進(jìn)算法設(shè)計(jì)了一種新的協(xié)同過濾算法。論文的主要工作如下:
　　1、通過實(shí)例對(duì)現(xiàn)有

3、的用戶相似度度量方法存在的問題進(jìn)行闡述，提出了一種非對(duì)稱的用戶相似度度量方法，該方法能合理的表示用戶之間相似性的關(guān)系。此外本文介紹了現(xiàn)階段解決數(shù)據(jù)稀疏性的常用模型:隱語義模型，該模型通過奇異值分解來對(duì)未知評(píng)分值進(jìn)行預(yù)測。本文將非對(duì)稱相似度模型和隱語義模型結(jié)合起來，設(shè)計(jì)了一種基于非對(duì)稱相似度的協(xié)同過濾算法。最后在MovieLens和Douban數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，使用均方根誤差（RMSE）和平均絕對(duì)誤差(MAE)作為評(píng)價(jià)標(biāo)準(zhǔn)。實(shí)驗(yàn)表明該相似

4、度度量方法對(duì)能在一定程度上提升推薦質(zhì)量。
　　2、對(duì)傳統(tǒng)的K-means聚類算法進(jìn)行了介紹，并通過實(shí)驗(yàn)來說明傳統(tǒng)算法存在的兩個(gè)問題，一是聚類中心個(gè)數(shù)難以確定，往往依賴于算法使用者對(duì)數(shù)據(jù)所在領(lǐng)域的熟悉程度;二是由于初始聚類中心選擇的隨機(jī)性，多次聚類的結(jié)果不穩(wěn)定，而且容易出現(xiàn)局部最優(yōu)解。文中提出一種基于個(gè)體輪廓系數(shù)的改進(jìn)K-means聚類算法，該算法能夠自適應(yīng)地確定聚類中心的個(gè)數(shù)，并使聚類中心合理分布在數(shù)據(jù)對(duì)象中，不僅聚類效果有所提升