摘要推荐系统就是预测用户可能感兴趣的物品,给一些用户信息年代和项目配置文件。本文使用的是一个利用快速k-medoids聚类算法的混合个性化推荐系统(FKMHPRS)。该系统有两个阶段工作。在第一阶段,从用户系统的评级矩阵中收集用户的意见。他们是集群离线使用快速k-medoids到到预定的数字集群，且将未来推荐的存储在数据库中。在第二个阶段是将集群作为社区,将活跃用户的预测评级项目计算加权和或简单的加权平均。这有助于获得更多活跃用户有效且中意的建议。实验结果用一个的真实的数据表明,该快速k-medoids执行比k-medoids和k-mean算法更好。混合个性化的性能评估可以使用在加州大学伯克利分校网站的Jester数据库,和网络个性化推荐系统(WPRS)相比较。实验结果显示，利用快速K-medoids算法的混合个性化推荐系统性能更优。73273

毕业论文关键词   个性化   推荐系统   k-medoids算法

毕业设计说明书外文摘要

Title  Hybrid Personalized Recommender System Using Fast K-medoids Clustering Algorithm                     

Abstract Recommender systems attempt to predict items in which a user might be interested, given some information about the user’s and items’ profiles。 This paper uses a fast k-medoids clustering algorithm which is used for Hybrid Personalized Recommender System (FKMHPRS)。 The system works in two phases。 In the first phase, opinions from the users are collected in the form of user-item rating matrix。 They are clustered offline using fast k-medoids into predetermined number clusters and stored in a database for future recommendation。 In the second phase, clusters are used as the neighborhoods, the prediction rating for the active users on items are computed by either weighted sum or simple weighted average。 This helps to get more effective and quality recommendations for the active users。 The experimental results using Iris dataset show that the proposed fast k-medoids performs better than k-medoids and k-mean algorithms。 The performance of FKMHPRS is evaluated using Jester database available on website of California University, Berkeley and compared with web personalized recommender system (WPRS)。 The results obtained empirically demonstrate that the proposed FKMHPRS performs superiorly。

Keywords    personalized    Recommendation system    K-medoids algorithm

目   次

1  引言 1

2  推荐系统及其所使用的技术 3

  2。1推荐系统的概念及其应用 3

2。1。1什么是推荐系统3 

2。1。2个性化推荐系统的应用4 

  2。2混合推荐技术 7 

  2。2。1 基于关联规则的推荐算法7

  2。2。2  基于内容的推荐算法   8

  2。2。3  协同过滤推荐算法 9

  2。 3  K-medoids算法  9

  3 K-medoids算法及算法案例 10

  3。 1  K-medoids算法 10

  3。1。1预处理阶段11

  3。1。2提出快速K-medoids集群11

  3。1。3  推荐阶段  12

  3。 2  实验13

  3。2。1聚类的性能评价13

  3。2。2使用fhmhprs的性能比较与书面进度15

结论 17 

致谢 18

参考文献19

1引言

现在网络愈来愈发达，接入互联网的服务器和各种各样的网页也越来越多，其数目的增长趋势更是随着互联网技术的快速发展而呈现出指数增长的势态，这一切也使得大量的信息爆炸式的呈现在我们面前。例如：优酷，百度影音，爱奇艺等应用软件里就有数万部的电影，电视剧，甚至还有网民自制的搞笑小视频等等；晋江，起点等网站上面的小说数不清的种类上万的数量；百度上以亿计的网页，贴吧，图片等。随着网络的发展，我们的需求也更多，一般来说，供与求会相互促进，网络上也是一样。在当今这个属于互联网的时代，人们对网络的需求越来越多，我们会在网络上购物，看电影，看书，玩游戏，逛贴吧，等等。这么多的信息，光是看着那密密麻麻的屏幕就让人头昏脑胀，更别说是从中找出自己想要或感兴趣的信息了，据调查传统的搜索方式只能给所有的用户呈现出一样的结果以及排序方式，不能做到根据每个用户不同的兴趣以及需求过滤掉我们不需要也不感兴趣的信息，呈现出不一样的结果，但当信息过多时，我们往往又不知道该怎么选择，特别是我们并没有明确的目标时，我们就更不知道往哪里下手。例如旅游，你只是觉得世界这么大，想出去走走；例如购物，你只是觉得换季就该买新衣服了；例如看小说，你只是无聊了想找本书消磨时间。这时候，很多人都发现我们登上网站却又不知道下一步要怎样，又或者输入关键字后显示的信息太多又杂乱，想要找到自己满意的很难，这时，我们就非常需要个性化推荐系统的推荐。何为个性化推荐系统呢？就是就该用户的个性去推荐适合他的信息，而又如何去判断该用户的个性呢？就是根据以往的记录，还有性别，年龄，所在的地区城市等去推测他兴趣所在。推荐系统还能根据其他用户的评价来替用户评估他从未看过的产品