一种基于簇数自适应增长的聚类算法的个性化推荐算法制造技术

本发明专利技术公开了一种基于簇数自适应增长的聚类算法的个性化推荐算法。该算法包含基于聚类的增量学习和推荐两个阶段。其中，基于聚类的增量学习阶段包含三个部分：1)采用本发明专利技术提供的MWOSK‑means算法进行聚类；2)采用本发明专利技术提供的MGSoC算法实现簇的数量的自适应增长；3)增量更新。推荐阶段基于前一阶段的结果，采用融合了用户权值的协同过滤推荐算法进行个性化推荐。与现有的先聚类后协同过滤的推荐算法相比，本发明专利技术提供的推荐算法具有准确性高、能自适应确定簇的数量、可适用于增量学习等优点。

【技术实现步骤摘要】
一种基于簇数自适应增长的聚类算法的个性化推荐算法
本专利技术是关于数据挖掘中的个性化推荐问题，具体涉及数据挖掘中的基于聚类的个性化推荐领域。
技术介绍
个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。协同过滤算法是个性化推荐中的常用算法。协同过滤推荐前进行聚类有利于解决搜索空间较大、准确率不够高以及对稀疏数据敏感等问题。聚类是将相似度高的对象聚集成簇的过程。在个性化推荐中，可以首先采用聚类技术将相似度高的对象聚类，然后将聚类簇的信息用到推荐算法中。然而，目前大多数采取先聚类后协同过滤策略的个性化推荐算法只支持离线学习，不能适应用户、项目和评分信息频繁更新的增量学习的情况。目前已经提出了一些能适应增量学习情况的先聚类后协同过滤的个性化推荐算法。但是这些算法存在的一个缺点是：在聚类阶段需要事先人为指定簇的数量，这样推荐算法的结果往往对该人为指定的簇的数量敏感，因而需要花费大量时间来实验以确定最优的簇数量。另一个缺点是准确度不够高。
技术实现思路
针对现有先聚类后协同过滤的个性化推荐算法存在的不足，本专利技术提供了一种基于簇数自适应增长的聚类算法的个性化推荐算法。本本文档来自技高网...

【技术保护点】
一种基于簇数自适应增长的聚类算法的个性化推荐算法(见图1)，其特征在于：包含基于聚类的增量学习和推荐两个阶段。

【技术特征摘要】
1.一种基于簇数自适应增长的聚类算法的个性化推荐算法(见图1)，其特征在于：包含基于聚类的增量学习和推荐两个阶段。2.一种权利要求1中基于聚类的增量学习阶段的一种基于MWOSK-means算法和MGSoC算法的簇数自适应增长的聚类算法(见图1中的P1)，其特征在于：使用MWOSK-means算法进行聚类(见图1中的S2，详见图3)；使用MGSoC算法实现簇的数量的自适应增长(见图1中的P1.1，详见图4、图5)。3.一种权利要求2中MWOSK-means算法的初始化阶段(见图2中的...

【专利技术属性】
技术研发人员：杨波，袁磊，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51