基于人口統計學的改進聚類模型協同過濾算法

蔡志遠

摘 要：探討算法設計流程、分析計算結果。

關鍵詞：人口統計學;聚類模型;協同過濾算法

推薦系統是根據用戶的興趣建立模型的程序，推薦系統能分為基于用戶行為的推薦系統、基于項目內容的推薦系統、基于人口統計學的推薦系統。在大數據環境下，推薦系統將人口統計學數據及語境感知等數據進行處理，通過復合系統保證推薦的準確度。

一、算法設計流程

（一）人口統計學下計算數據相似度

用戶相似度計算作為推薦算法的應用核心，準確性對推薦結果產生直接影響。從前使用的協同過濾推薦算法對用戶相似度進行計算時，通過Spearman系數相似度展開計算，屬于絕對指數的計算方式。在計算過程中，統計用戶的年齡、性別、職業、文化程度等信息，從而確定用戶群體的喜好，并根據以上屬性進行聚類。用戶人口統計屬性向量利用（d1，d2....dn）表示，對用戶在每一維度屬性上的相似度進行計算，根據需求屬性計算最終的相似度。可通過以下算法表示：

[sim（p，q）=knsim（pdk，qdk）×w（dk）]（1）

在此公式中，n表示用戶的群體個數，sim（pdk，qdk）表示第p及q用戶在dk上的相似性，w（dk）作為dk屬性權值。決定指數相似性計算過程中，通過以下公式表示：

[sim（p.q）=e-m-1mrm，p-rm，q]（2）

相對權值w（dk）作為dk屬性對不同用戶的能力進行劃分，用戶在dk屬性兩個維度上分值最高的項目t在不同個體的平均數利用ave（dk）表示，權值w（dk）通過以下公式計算：

[w（dk）=ave（dk）k=1nave（dk）]（3）

通過以上三類公式能對兩個群體在人口統計學上相似度進行計算。

（二）人口統計學下的數據用戶聚類

針對人口統計學下的數據用戶聚類方法，需建立在相似值之上，利用分層近鄰傳播聚類算法對用戶進行聚類，結果中觀察到同類用戶與用戶異類的屬性差異。……