本体与EM聚类结合的协同过滤推荐系统研究

"基于本体和EM聚类的协同过滤推荐系统研究，旨在解决电子商务中用户-项目评级矩阵稀疏导致的推荐系统准确性问题。通过结合本体和EM聚类算法，提升协同过滤推荐的性能。" 这篇论文研究的是在推荐系统领域的创新方法，特别是针对协同过滤（Collaborative Filtering, CF）技术在处理大量用户和商品数据时遇到的挑战。在电子商务环境中，由于用户对项目的评价数据通常很稀疏，这会降低推荐系统的准确性。为了改善这一状况，作者刘伟成和李权提出了一个基于本体（Ontology）和期望最大化（Expectation Maximization, EM）聚类的协同过滤推荐系统。 首先，论文采用EM算法对用户-项目评级矩阵进行聚类分析。EM算法是一种统计学习中的迭代算法，能处理缺失数据，用于估计混合模型的参数。在这里，它被用来将用户和项目分成不同的群组，以挖掘隐藏的结构和模式。 接着，利用领域本体来计算项目之间的语义相似度。本体是形式化描述领域知识的一种方式，可以捕捉概念、属性和关系，有助于理解和关联不同项目。通过比较项目在本体中的相似性，可以补充评级矩阵中的稀疏信息，提高推荐的精确性。 随后，论文应用奇异值分解（Singular Value Decomposition, SVD）对用户群集和项目群集进行降维处理，找到每个项目和用户群集中最相似的项目和用户。SVD是一种矩阵分解技术，常用于推荐系统中发现潜在的用户和项目特征。 最后，结合项目的语义相似度和基于矩阵分解的用户、项目相似性，推荐系统生成最终的推荐列表。这种融合策略旨在同时利用结构化（通过EM聚类和SVD）和非结构化（通过本体）的信息，提高推荐的准确性和覆盖率。 实验部分，该方法在MovieLens数据集上进行了验证，并与传统推荐方法进行了对比。结果显示，所提出的推荐系统有效地缓解了协同过滤推荐的稀疏性问题，并提升了推荐的准确性。 关键词：推荐系统、本体、EM聚类、降维、稀疏性 这篇研究对于理解和改进推荐系统有重要的理论价值和实践意义，特别是在处理大数据稀疏性问题时，提供了新的思路和解决方案。