论文部分内容阅读
近年来用户对信息服务的需求呈现出多元化、个性化的发展趋势,向用户提供统一的信息服务已经不能满足用户的个性化需求。在用户管理系统中,每天会产生大量的与用户相关的数据,这些数据中隐含着用户的行为信息,采集并分析这些数据可以发现用户的行为模式,了解用户的真实需求,有助于向用户提供个性化的信息服务。用户管理系统管理着大量的用户数据,使用相关技术进行用户行为分析,并应用在用户细分和个性化推荐中,是解决用户需求个性化、提高系统服务质量的一种重要途径。本文通过对用户细分和个性化推荐的相关理论和技术进行研究,通过对比相关算法,分别选择了 K-means算法和协同过滤算法实现用户细分和个性化推荐技术,并针对上述算法存在的不足之处,提出以下改进:(1)针对K-means算法未考虑聚类对象的各维度属性对聚类结果的影响程度不同的问题,设计了一种基于离散因子自适应权重的K-means改进算法,改进后的算法能够减少不相关维度对聚类结果的影响程度,提高聚类精度。(2)针对基于用户的协同过滤推荐算法中用户相似度计算的问题,设计了一种改进的皮尔逊相似度公式。相似度计算过程中考虑了用户共同评价项目个数以及项目的热门程度这两个影响因素,使得用户间的相似度计算更加精确,从而获得更好的推荐效果。(3)在实际应用中,为了改善协同过滤推荐算法中存在的用户冷启动与可扩展性问题,设计了混合推荐技术给系统中的用户进行个性化推荐服务项目。最后本文把上述方法应用到了某在线医疗服务系统中,设计并实现了用户细分与个性化推荐功能,并在实际数据中对上述方法进行检验,相关实验结果表明,本文设计的改进K-means算法应用于用户细分,可以减少不相关细分变量对细分结果的影响程度,提高了细分结果的准确性。本文设计的改进协同过滤混合推荐技术能够提高推荐结果的质量,还能在一定程度上改善推荐系统存在的用户冷启动和可扩展性问题,实验结果证明了本文所述方法的有效性。