基于Web聚類的個性化推薦服務研究.pdf

1、隨著Internet的不斷發(fā)展,信息過載和資源迷向已經成為制約人們高效使用Internet信息的瓶頸。人們希望網頁的內容能夠盡可能地根據用戶的瀏覽興趣自動調整,從而使每個用戶感覺好像自己是網站的唯一用戶,實現這一目標的關鍵在于Web網站如何發(fā)現用戶喜好、動態(tài)地為用戶定制觀看的內容或者提供瀏覽建議。這就要求網站信息服務改變過去那種對所有用戶提供界面統(tǒng)一、內容相同的服務方式,從“以站點為中心”向“以用戶為中心”發(fā)展,即站點不但要有針對所有用

2、戶共同感興趣的信息和服務,更要有針對各個用戶的不同興趣、愛好自動組織和調整的個性化服務。在這種情況下,針對不同用戶的需求,建立相應商品服務措施的個性化推薦服務技術被越來越多的企業(yè)迅速地采用,個性化技術已成為電子商務領域中一項迫切而重要的研究課題,個性化推薦技術的研究將具有較高的學術價值和應用前景。
　　 論文總結了個性化推薦領域中Web聚類算法的國內外研究現狀,分析了已有方法的優(yōu)缺點。針對Web數據的非結構性特征以及用戶瀏覽We

3、b時的模糊性與不確定性問題,提出了一種新的相似性度量方法,進而給出了一種基于模糊多重集的Web用戶聚類算法。針對核K-means聚類算法對初始參數敏感的問題,利用局部密度的方法獲得初始聚類中心。本文采用理論分析和模擬實驗相結合的方法展開研究,其主要研究內容如下:
　　 1、總結了個性化推薦中Web聚類分析技術的研究現狀,介紹了兩種常用的聚類算法和Web數據預處理流程,給出了常用的預處理算法。
　　 2、提出了一種改進的W

4、eb用戶聚類方法。把模糊多重集的概念引入到模糊聚類算法中,將反映用戶瀏覽行為的頁面點擊次數、訪問時間、訪問順序等因素用模糊多重集來綜合刻畫用戶訪問站點的興趣度,最后形成用戶相似模式庫。
　　 3、提出了一種局部密度和核K-means的頁面聚類算法,選擇具有高密度且低相似性的樣本點為初始聚類中心。通過實驗對比結果證明該算法可以有效地改善核K-means聚類算法的效果,在處理大數據集時有較高的聚類質量,同時提高聚類的穩(wěn)定性。