李建軍，付 佳+，楊 玉，汪校鈴，榮 欣

(1.哈爾濱商業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，黑龍江 哈爾濱 150028； 2.哈爾濱商業(yè)大學(xué) 黑龍江省電子商務(wù)與信息處理重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150028)

0 引 言

隨著移動電子商務(wù)的快速發(fā)展與移動終端設(shè)備的廣泛普及，用戶對于獲取互聯(lián)網(wǎng)信息的即時性和個性化需求逐漸提高，用戶希望在最短的時間內(nèi)獲取自己最需要的信息。相對于PC端來說，移動終端的體積較小，屏幕就相對較小，用戶面對琳瑯滿目的商品或服務(wù)信息不知如何挑選，企業(yè)需要在有限的空間內(nèi)向用戶展示用戶需要或感興趣的信息。這種情況就推動了移動推薦領(lǐng)域的發(fā)展，針對用戶的不同需求和興趣偏好，為每一位用戶推薦符合需求或興趣點(diǎn)的產(chǎn)品、信息以及服務(wù)?，F(xiàn)階段針對推薦系統(tǒng)的研究越來越多，越來越復(fù)雜，但是無論何種研究方式，核心目標(biāo)都是針對用戶的需求進(jìn)行精準(zhǔn)化推薦，實(shí)施個性化服務(wù)，方便用戶瀏覽有效信息。與此同時，企業(yè)實(shí)施精準(zhǔn)推薦，能夠提高企業(yè)營銷效果，實(shí)現(xiàn)點(diǎn)對點(diǎn)精準(zhǔn)營銷，增加用戶對企業(yè)產(chǎn)品或服務(wù)的粘性，留住高質(zhì)量用戶的同時發(fā)展新用戶。而在移動推薦領(lǐng)域應(yīng)用最為廣泛和久遠(yuǎn)的算法就是協(xié)同過濾推薦算法(collaborative filtering，CF)。隨著應(yīng)用的逐漸增多，協(xié)同過濾推薦也暴露出來許多問題，為了避免這些問題影響推薦的準(zhǔn)確性，對協(xié)同過濾推薦算法進(jìn)行改進(jìn)是十分必要的。

本文通過翻閱文獻(xiàn)和查找相關(guān)資料，為了讓推薦的效果更好，在協(xié)同過濾推薦算法的基礎(chǔ)上做了相關(guān)改進(jìn)，加入了混沌粒子群算法進(jìn)行聚類優(yōu)化，后續(xù)進(jìn)行實(shí)驗(yàn)的驗(yàn)證，改進(jìn)的算法推薦的效果更好。

1 相關(guān)工作

傳統(tǒng)的協(xié)同過濾推薦通過收集用戶對項(xiàng)目的評分?jǐn)?shù)據(jù)，計(jì)算用戶之間的相似度，找到與目標(biāo)用戶相似的用戶群，或者找到與目標(biāo)用戶評分過的項(xiàng)目相似的項(xiàng)目群，通過對用戶給項(xiàng)目的評分進(jìn)行推薦操作。協(xié)同過濾推薦的應(yīng)用十分廣泛，但是隨著數(shù)據(jù)的擴(kuò)增，協(xié)同過濾推薦也出現(xiàn)了許多問題。最普遍的就是數(shù)據(jù)比較少的問題和用戶的冷啟動問題。隨著網(wǎng)絡(luò)用戶和評分項(xiàng)目種類及數(shù)量逐漸增多，很難保證推薦的準(zhǔn)確性，為了解決這個問題，本文將傳統(tǒng)粒子群算法進(jìn)行改進(jìn)，使用混沌粒子群聚類優(yōu)化的方法對用戶進(jìn)行聚類，然后在最優(yōu)聚類的類簇中再進(jìn)行協(xié)同過濾推薦，這樣不僅可以加快算法運(yùn)算效率，還可以提高推薦的準(zhǔn)確性。所以，本文的創(chuàng)新處在于使用改進(jìn)之后的混沌粒子群算法對用戶先進(jìn)行聚類，然后在與目標(biāo)用戶最相似的聚類中進(jìn)行協(xié)同過濾推薦，保證推薦的準(zhǔn)確性。

自從協(xié)同過濾算法提出以來，在研究領(lǐng)域針對它的研究就層出不窮。Velammal B.L.[1]運(yùn)用傳統(tǒng)的協(xié)同過濾算法進(jìn)行書籍的推薦，為了解決協(xié)同過濾算法中的冷啟動問題，采用了人口統(tǒng)計(jì)過濾方法與協(xié)同過濾算法進(jìn)行結(jié)合，能夠?yàn)橛脩籼峁└_的推薦結(jié)果。K.G.Saranya等[2]提出了一種基于粗糙集的協(xié)同過濾方法來預(yù)測用戶的缺失評分，并且用了一種新穎的檢測方法來提高項(xiàng)目排名。Behzad Soleimani Neysiani等[3]改進(jìn)了基于關(guān)聯(lián)規(guī)則的協(xié)同過濾算法，用遺傳算法生成信用關(guān)聯(lián)規(guī)則，解決了協(xié)同過濾算法準(zhǔn)確率低的問題。翁小蘭等[4]將協(xié)同過濾算法的研究進(jìn)展進(jìn)行總結(jié)，還將算法存在的問題和研究的趨勢進(jìn)行分析。肖會敏等[5]針對移動電子商務(wù)即時性和移動性的特點(diǎn)對協(xié)同過濾算法進(jìn)行了改進(jìn)，將時間和位置因素加到協(xié)同過濾算法中，通過遺忘函數(shù)對協(xié)同過濾算法進(jìn)行改進(jìn)，使算法的精度進(jìn)一步提高。面對協(xié)同過濾算法的數(shù)據(jù)稀疏性問題，也有很多研究用于改善此問題。蔡雄峰等[6]提出一種按照興趣度的加權(quán)填充策略，引用時間因素，將時間數(shù)據(jù)歸一化處理，重新調(diào)整用戶—項(xiàng)目評分矩陣。高倩等[7]考慮數(shù)據(jù)稀疏的情況，在相似度上面做了改進(jìn)，除了用戶評分相似度之外，加入了用戶屬性相似度、用戶興趣相似度，將這3種相似度用不同的權(quán)重因子進(jìn)行調(diào)節(jié)。

粒子群算法(particle swarm optimization，PSO)是基于生物行為而演變來的算法。解空間內(nèi)存在一群粒子，每一個粒子都代表問題的潛在解，通過適應(yīng)度函數(shù)求得每個解對應(yīng)的適應(yīng)度值，適應(yīng)度值越好，粒子越靠近最優(yōu)解。將粒子群算法融入到協(xié)同過濾算法的研究也有很多，Mohammed Wasid等[8]基于用戶混合特征的協(xié)同過濾推薦方法，應(yīng)用粒子群算法對各種特征的用戶權(quán)重進(jìn)行學(xué)習(xí)，并運(yùn)用模糊集表示用戶特征。另外，Mohammed Wasid等[9]還利用粒子群算法開發(fā)基于上下文的協(xié)同過濾推薦技術(shù)，利用混合模糊特點(diǎn)的權(quán)重增強(qiáng)協(xié)同過濾技術(shù)的性能。碩良勛等[10]通過粒子群優(yōu)化算法選擇最近鄰K值，即選擇與當(dāng)前用戶相似度最高的前K個用戶作為鄰居進(jìn)行推薦。吳彥文等[11]在得到最近鄰用戶群的基礎(chǔ)上，采用粒子群算法和分層遺傳算法進(jìn)行資源推薦，能夠有效地提高資源推薦的質(zhì)量。李浩君等[12]為了實(shí)現(xiàn)推薦個性化學(xué)習(xí)資源，將協(xié)同過濾算法結(jié)合二進(jìn)制粒子算法，調(diào)整了慣性權(quán)重和種群多樣性，提出了基于多維特征差異的推薦算法。

隨著移動推薦領(lǐng)域的快速發(fā)展，對協(xié)同過濾算法和粒子群算法進(jìn)行綜述研究，為了提高推薦的準(zhǔn)確性，將傳統(tǒng)協(xié)同過濾推薦算法和粒子群算法融合應(yīng)用，并做一定的算法改進(jìn)。研究方法是首先將標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)，加入混沌搜索過程，增加粒子多樣性，通過混沌粒子群算法對用戶群體進(jìn)行聚類分析。此時可以基于一定聚類標(biāo)準(zhǔn)將用戶初步聚類，形成多個類簇和聚類中心。當(dāng)對目標(biāo)用戶進(jìn)行推薦時，只需要計(jì)算目標(biāo)用戶與哪個聚類中心距離近，屬于哪個聚類，將其劃分到所屬聚類中，然后在所屬聚類中進(jìn)行協(xié)同過濾推薦，不僅可以提高推薦的準(zhǔn)確性，而且有助于解決協(xié)同過濾算法的數(shù)據(jù)稀疏性和冷啟動問題。

2 混沌粒子群算法(CPSO)

在標(biāo)準(zhǔn)粒子群算法中，粒子通過如下的速度和位置更新公式更新自己的位置，每更新一個位置就需要計(jì)算一次適應(yīng)度值，來更新個體最優(yōu)和全局最優(yōu)。標(biāo)準(zhǔn)粒子群算法的速度位置更新公式請參見文獻(xiàn)[13]。

由于標(biāo)準(zhǔn)粒子群算法在優(yōu)化過程中容易出現(xiàn)過早收斂的現(xiàn)象，影響最優(yōu)解的輸出，故將混沌搜索應(yīng)用到粒子群算法中，豐富了粒子的多樣性，使粒子的全局搜索能力有所提高。將混沌搜索代替隨機(jī)搜索，最終使粒子群能夠達(dá)到最優(yōu)狀態(tài)，本文應(yīng)用一維混沌系統(tǒng)—Logistic映射，Logistic映射的其中一種形式為

xk+1=μxk(1-xk)

(1)

其中，μ∈[0,4]為分枝參數(shù)，當(dāng)μ=4時為完全混沌狀態(tài)。在粒子群算法中，通過上式產(chǎn)生混沌變量，形成混沌序列，并且代替原粒子進(jìn)行混沌搜索，直到滿足條件為止。

另外，粒子群算法中的慣性權(quán)重表示著上一代粒子的速度對當(dāng)前粒子速度的影響水平，它的大小也直接影響算法的運(yùn)算結(jié)果，w較大，有利于算法早期的全局搜索，但是在算法晚期，需要對w值進(jìn)行調(diào)整，以此提高算法的局部搜索能力，有助于全局最優(yōu)值的收斂。將w值進(jìn)行動態(tài)調(diào)整，有利于最優(yōu)值的輸出。所以本文應(yīng)用動態(tài)調(diào)整慣性權(quán)重的方法來改進(jìn)標(biāo)準(zhǔn)粒子群算法。應(yīng)用線性遞減權(quán)重策略來調(diào)整慣性權(quán)重，即將慣性權(quán)重從前期較大的值逐漸遞減到后期較小的值，一般的調(diào)整權(quán)重公式為

(2)

其中，K表示最大迭代次數(shù)；k表示當(dāng)前的迭代次數(shù)；wmax為初始最大慣性權(quán)重，通常取0.9；wmin表示運(yùn)算結(jié)束時(達(dá)到最大迭代次數(shù)K)的最小慣性權(quán)重，通常取0.4。

2.1 算法構(gòu)建

聚類是根據(jù)數(shù)據(jù)集中的相似性將其劃分為若干類簇的過程，是一種無監(jiān)督的分類方式。通過聚類進(jìn)行分類，能夠做到同一個類簇里面數(shù)據(jù)的相似性高，不同類簇之間的數(shù)據(jù)相似度盡可能低。然而，在大數(shù)據(jù)環(huán)境下，用戶和項(xiàng)目的數(shù)據(jù)量日益龐大，數(shù)據(jù)樣本的數(shù)量也逐漸增多的情況，組合類簇的數(shù)量也會變得十分巨大，無法做到通過普通聚類操作列舉出所有組合類簇，也很難找到最好的分類。在本文中利用混沌粒子群優(yōu)化算法的全局搜索能力對樣本數(shù)據(jù)進(jìn)行迭代更新，可以避免出現(xiàn)上述現(xiàn)象，經(jīng)過混沌粒子群進(jìn)行全局搜索之后，最終得到的最優(yōu)解就是最優(yōu)的分類。

在本文的算法中，粒子群中的每個粒子代表一種可能的分類，粒子的維數(shù)代表樣本的個數(shù)，如下構(gòu)造粒子

Xi=(p1,p2…pm),0

(3)

其中，n為樣本個數(shù)，pi為第i個樣本所屬的類。一個群體表示著一個數(shù)據(jù)集中的若干分類，粒子會對應(yīng)自己的適應(yīng)度值，可以用下面的函數(shù)來確定每個粒子的適應(yīng)度值，適應(yīng)值的好壞也影響著分類的結(jié)果。

使用誤差平方和函數(shù)來計(jì)算適應(yīng)度值

(4)

(5)

其中，Xij是從屬第i類的第j個樣本；ni是第i類中的所有樣本個數(shù)；mi是第i類的聚類中心。Jc越小，聚類的成效越好。

2.2 算法流程

基于混沌粒子群算法(chaotic particle swarm optimization)進(jìn)行聚類優(yōu)化的大致算法流程如圖1所示。

圖1 改進(jìn)的粒子群聚類算法流程

步驟1初始化粒子群，隨機(jī)粒子的初始速度、位置以及聚類中心。按照普遍習(xí)慣設(shè)置最大迭代次數(shù)為K=1000，粒子的學(xué)習(xí)能力因子c1=c2=1.8，w的初始值設(shè)為0.9；

步驟2計(jì)算粒子的適應(yīng)度值，由初始位置將其余粒子進(jìn)行聚類；

步驟3通過粒子速度位置更新公式[13]更新粒子的速度和位置，產(chǎn)生下一代粒子；

步驟4按照式(2)更新慣性權(quán)重；

步驟5根據(jù)粒子的新位置(新聚類中心)對其進(jìn)行聚類；

步驟6計(jì)算適應(yīng)度值，產(chǎn)生當(dāng)前的個體最優(yōu)位置和全局最優(yōu)位置，記錄全局最優(yōu)位置的聚類信息；

步驟7對粒子進(jìn)行混沌擾動，得到新的全局最優(yōu)，并比較最優(yōu)值的聚類信息；

步驟8判斷粒子是否符合結(jié)束條件，若符合，則輸出最優(yōu)的分類結(jié)果和聚類的中心；若不符合，則返回步驟3繼續(xù)運(yùn)算。結(jié)束條件為：找到符合條件的最優(yōu)解或達(dá)到最大迭代次數(shù)。

3 基于混沌粒子群聚類的協(xié)同過濾推薦模型

基于混沌粒子群聚類的協(xié)同過濾推薦模型與傳統(tǒng)的協(xié)同過濾推薦模型不同的是，通過混沌粒子群算法優(yōu)化之后，輸出的是最優(yōu)的分類組和每一個聚類中心。當(dāng)對用戶進(jìn)行推薦時，只需要計(jì)算目標(biāo)用戶與聚類中心的相似度，找到相似度高的聚類，將目標(biāo)用戶劃分到此聚類中，然后建立該聚類的用戶—項(xiàng)目評分矩陣，通過混沌粒子群優(yōu)化確定最近鄰參數(shù)，選擇前K個相似度最高的用戶，然后通過這些用戶對目標(biāo)用戶的未評分項(xiàng)目的評分進(jìn)行預(yù)測，產(chǎn)生推薦項(xiàng)。

3.1 計(jì)算相似度

計(jì)算相似度的方法有很多，現(xiàn)階段應(yīng)用最多的就是歐式距離、余弦距離、皮爾遜相關(guān)系數(shù)。使用上述方法可以計(jì)算目標(biāo)用戶和聚類中心的距離，將目標(biāo)用戶分到距離最近的聚類中，再進(jìn)行下一階段的工作。

(1)歐式距離

(6)

(2)余弦距離

(7)

(3)皮爾遜相關(guān)系數(shù)

(8)

針對實(shí)際實(shí)驗(yàn)需求，本文選取皮爾遜相關(guān)系數(shù)計(jì)算用戶之間的相似度，相較于其它兩種相似度計(jì)算方法，它能夠更好地衡量用戶和聚類中心之間的距離，進(jìn)而確定目標(biāo)用戶所屬聚類。

3.2 用戶—評分矩陣

協(xié)同過濾推薦中存在大量的用戶—項(xiàng)目評分?jǐn)?shù)據(jù)，在找到與目標(biāo)用戶相似度最高的聚類A之后，在A中生成用戶—項(xiàng)目評分矩陣，矩陣的結(jié)構(gòu)包括項(xiàng)目編號(Itemi)、用戶編號(Userj)和用戶—項(xiàng)目評分(Sij)。生成矩陣可以更加直觀看出用戶—項(xiàng)目評分的數(shù)據(jù)特點(diǎn)。表1為聚類A的用戶—項(xiàng)目評分矩陣。

表1 用戶—項(xiàng)目評分矩陣

3.3 確定最近鄰

此矩陣中的用戶與目標(biāo)用戶都屬于同一個聚類，所以彼此之間的相似性都較高，但是在實(shí)際應(yīng)用中為了避免過度推薦，引起用戶厭倦心理，需要限制推薦數(shù)目。所以現(xiàn)在只需要選取矩陣中與目標(biāo)用戶最相似的前K個用戶作為最近鄰(K最近鄰算法)，以此確定目標(biāo)用戶感興趣的項(xiàng)目，但是從以往研究中可以看出K的取值還是比較盲目的，沒有合理的K值可能會導(dǎo)致過度推薦。故應(yīng)用混沌粒子群優(yōu)化算法選取合理的K值，能夠有效地提高算法性能，合理有效地進(jìn)行推薦。

用混沌粒子群優(yōu)化算法選擇最近鄰K。隨機(jī)產(chǎn)生q個粒子，每一個粒子為最近鄰的參數(shù)值，粒子的適應(yīng)度值用K值產(chǎn)生的推薦列表計(jì)算的推薦精度來代表。粒子運(yùn)用上述位置速度更新公式進(jìn)行一次一次的位置和速度迭代，更新個體最優(yōu)位置和全局最優(yōu)位置，并對粒子進(jìn)行混沌擾動，直到滿足迭代次數(shù)或找到最優(yōu)值，輸出最近鄰參數(shù)K值。取與目標(biāo)用戶相似度最高的前K個用戶組成目標(biāo)用戶的最近鄰，K(u)={u1,u2,Luk},u∈K(u)。并且最近鄰集合中的用戶uk是根據(jù)與目標(biāo)用戶u的評分相似度sim(u,uk)由大到小排序的[14]

(9)

3.4 預(yù)測評分模型

選擇了與目標(biāo)用戶最相似的前K個用戶之后，根據(jù)評分預(yù)測公式預(yù)測評分，然后向目標(biāo)用戶推薦評分高的前K個項(xiàng)目

(10)

其中，p(u,n)是鄰居用戶集合中的用戶評分過的項(xiàng)目，但目標(biāo)用戶沒有評分過的項(xiàng)目的評分預(yù)測值。

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)數(shù)據(jù)及評價標(biāo)準(zhǔn)

在驗(yàn)證本文算法的過程中，本實(shí)驗(yàn)采用MovieLens數(shù)據(jù)集，數(shù)據(jù)集中包含用戶、電影以及用戶對電影的評分(1～5分)，可以進(jìn)行電影的推薦。本次實(shí)驗(yàn)選擇100 000個電影評分?jǐn)?shù)據(jù)，進(jìn)行混沌粒子群的聚類和推薦。其中，每個用戶至少對30部電影做出了評分。算法運(yùn)行環(huán)境為matlab7.1，Windows 8系統(tǒng)。

實(shí)驗(yàn)采用的推薦效果評估標(biāo)準(zhǔn)是平均絕對誤差(MAE)和推薦準(zhǔn)確率(Precision)。MAE的值越小，推薦的越準(zhǔn)確。準(zhǔn)確率則是衡量推薦正確程度的指標(biāo)

(11)

其中，預(yù)測的用戶評分集合為{G1,G2…GN}，實(shí)際的用戶評分集合為{H1,H2…HN}

(12)

其中，W(i)為推薦目標(biāo)用戶的項(xiàng)目集合，T(i)為目標(biāo)用戶喜歡的項(xiàng)目集合。

4.2 實(shí)驗(yàn)結(jié)果

為了更好地突出改進(jìn)算法的優(yōu)勢，首先將本文算法(CPSO)與協(xié)同過濾(CF)、粒子群算法(PSO)、人工蜂群算法(artificial bee colony，ABC)進(jìn)行比較，在其它實(shí)驗(yàn)指數(shù)都相同的情況下，觀察平均絕對誤差MAE指標(biāo)的變化，本次實(shí)驗(yàn)以推薦數(shù)目為評價自變量，并進(jìn)行多次實(shí)驗(yàn)進(jìn)行驗(yàn)證，如圖2所示，隨著推薦數(shù)目的增加，CPSO、PSO、CF算法的MAE值都大體呈現(xiàn)先下降后回升的趨勢，ABC算法呈一直下降的趨勢。在聚類數(shù)目為20左右時，各個算法的MAE值都處在底端，并且CPSO算法的MAE值最低，故CPSO的平均絕對誤差最低，推薦的誤差相比最低?？梢猿醪接∽CCPSO算法的性能相對于其它未改進(jìn)的算法較好。

圖2 不同推薦數(shù)目下不同算法的MAE比較

其次，為了體現(xiàn)本文算法改進(jìn)的有效性，實(shí)驗(yàn)將從兩個角度比較算法性能。將聚類數(shù)目和最近鄰數(shù)目分別作為觀察評價標(biāo)準(zhǔn)變化的自變量，為了避免實(shí)驗(yàn)的偶然性，以下實(shí)驗(yàn)均多次進(jìn)行，并選取出現(xiàn)次數(shù)最多的合理結(jié)果。

(1)以聚類數(shù)目為基準(zhǔn)

由于本文的混沌粒子群算法應(yīng)用于推薦的兩個階段，所以在聚類這一階段，首先按照以往實(shí)驗(yàn)習(xí)慣先將最近鄰數(shù)目確定為K=20，通過不同的聚類數(shù)目來衡量評價標(biāo)準(zhǔn)的優(yōu)劣，為了更好地分析算法性能，將混沌粒子群聚類優(yōu)化算法與傳統(tǒng)K-means聚類、標(biāo)準(zhǔn)粒子群和人工蜂群算法比較，觀察MAE與Precision的變化，如圖3、圖4所示。

圖3 不同聚類數(shù)目下MAE的變化

圖4 不同聚類數(shù)目下Precision的變化

由上述實(shí)驗(yàn)說明，各個算法隨著聚類數(shù)目的不斷增加，MAE值呈現(xiàn)先下降后小幅度回升的趨勢，Precision值則是先上升后回落的趨勢，這也符合大多數(shù)實(shí)驗(yàn)的規(guī)律，即聚類數(shù)目的選取應(yīng)在某個合理范圍內(nèi)，不宜過大或過小。當(dāng)最近鄰數(shù)目設(shè)定為20時，只觀察算法確定的聚類數(shù)目對推薦性能的影響，發(fā)現(xiàn)本文的混沌粒子群聚類優(yōu)化算法相較于傳統(tǒng)的K-means聚類算法、標(biāo)準(zhǔn)粒子群算法以及人工蜂群算法有更小的MAE值，更高的推薦準(zhǔn)確率，并且，在聚類數(shù)為60左右時，評價效果最好，所以在接下來的實(shí)驗(yàn)中，將聚類數(shù)目設(shè)定為60。

(2)以最近鄰數(shù)目為基準(zhǔn)

在實(shí)驗(yàn)的第二階段，將聚類數(shù)目確定為60，使用混沌粒子群算法選取最近鄰。觀察最近鄰的取值對算法指標(biāo)的影響，為了與CPSO進(jìn)行比較分析，選擇傳統(tǒng)的協(xié)同過濾算法(CF)和粒子群算法(PSO)進(jìn)行對比，觀察MAE和Precision的變化情況，如圖5、圖6所示。

圖5 不同最近鄰的數(shù)目下MAE的變化

圖6 不同最近鄰的數(shù)目下Precision的變化

由于確定了聚類數(shù)目，在第二階段的實(shí)驗(yàn)中，可以看出，隨著所選取最近鄰數(shù)目的不斷增加，在K=25左右時，各個算法的MAE和Precision值出現(xiàn)極值。其中，CPSO算法的MAE值最低，Precision值最高，這與前一個實(shí)驗(yàn)的數(shù)值差異并不大，為了實(shí)驗(yàn)的準(zhǔn)確性可以將最近鄰數(shù)目確定為20-25之間。在與其它算法的對比中可以看出其它算法在MAE值和準(zhǔn)確率上都不如本文算法，且兩次實(shí)驗(yàn)的最近鄰數(shù)目相差較大，不利于參數(shù)的確定。

5 結(jié)束語

為了解決當(dāng)前協(xié)同過濾推薦算法準(zhǔn)確率低以及推薦過度的問題，在進(jìn)行推薦操作之前，采用混沌粒子群算法對用戶群體進(jìn)行聚類分析，輸出最優(yōu)的聚類結(jié)果和聚類中心，然后根據(jù)目標(biāo)用戶與聚類中心的距離大小，將目標(biāo)用戶劃分到離他最近的聚類中，在此聚類中進(jìn)行協(xié)同過濾推薦，這樣就可以保證作為推薦參考的用戶與目標(biāo)用戶的相似度都很高。在進(jìn)行協(xié)同過濾推薦時，涉及到最近鄰參數(shù)選擇，為了防止過度推薦，降低目標(biāo)用戶的興趣度，選擇相似度最高的前K個用戶對目標(biāo)用戶進(jìn)行推薦，這樣做不僅使推薦的精度提高，而且有限的推薦有助于目標(biāo)用戶進(jìn)行精確選擇，防止過度推薦，用戶產(chǎn)生厭煩心理。故再次應(yīng)用混沌粒子群算法選擇最近鄰參數(shù)。最后，采用MovieLens數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，采用平均絕對誤差和準(zhǔn)確率兩個指標(biāo)對算法進(jìn)行比較和驗(yàn)證，實(shí)驗(yàn)也許存在一些的局限性，但是在特定的情況下，還是能夠說明CPSO算法的平均絕對誤差和準(zhǔn)確率上都優(yōu)于其它未改進(jìn)算法。