为克服在线视频网站中出现的数据稀疏性和推荐实时性不佳的问题,本文提出一种基于用户聚类的改进算法。首先该算法以商品属性为辅助预填充矩阵空白,然后采用初始聚类中心优化的k-means算法在矩阵上对用户进行离线聚类,将兴趣点相同的用户聚集到同一类别中,最后在线寻找目标用户最近邻并产生推荐。本文采用Movie Lens作为测试数据集,实验结果表明,本文算法可以有效缓解数据稀疏性及改善实时性,并在一定程度上提高推荐精度。 用来计算预测评分与实际评分的偏差水平，且误差值越小，证明预测评分与实际评分越接近，本文选取MAE计算误差。3．2实验结果在实验开始前需要确定ε值，MinPts值和聚类数k协同过滤推荐算法-电动折弯机数控滚圆机滚弧机张家港电动液压缩管机滚圆机滚弧机。ε值的选取不宜过大但也不能太小，取值小导致各点之间点密度的区分小，过大会造成各点计算得到的点密度很小，后续无法准确标记核心点集。

转载中国知网整理! www.suoguanjixie.name本文首先将ε值设置为0．48，然后以0．02作为增量逐渐将取值增加至0．56，分别计算各个取值下的MAE值，实验结果如图2所示，由此得到ε值为0．5，MinPts值为90。图2本文算法在不同ε下的MAE到k个初始聚类中心。上述改进的算法不再随机选取k个点作为初始聚类中心，而是选择数据集中相似度小的一组点，这样可以有效避免随机选取带来的聚类结果不稳定的问题。同时，由于初始聚类中心的选取只在M中而非全局进行，该算法极大缩小了选取范围。2基于用户聚类的协同过滤推荐算法本文提出的改进算法的核心思想如图1所示。图1本文算法流程图2．1基于商品属性进行聚类每一商品都可以用属性进行描述［10］。例如，电影有语言、上映时间、题材等属性。属性是商品本身所具有的特性，与用户对商品的评分相比稳定性更高。本文用aij来表示商品i的第j个属性，aij∈{0，1}。若商品i具有第j个属性，则aij=1，反之，则aij=0，由此可以构建商品—属性矩阵A=a()ijnt，其中n行代表n个商品，t列代表t个商品属性。在基于商品属性进行聚类时，传统的k－means算法通过计算欧式距离对商品进行划分，本文使用欧式距离的倒数来计算任意两商品之间的相似性:asim(i，j)=11+d(i，j)=11+∑tk=1aik－a()jk槡2(1)其中aik和ajk分别表示i和j的第k个属性。2．2对评分矩阵进行预填充，得到稠密矩阵原始的评分矩阵非常稀疏，在稀疏矩阵上进行用户聚类会造成较大误差，进而无法准确找到用户最近邻，最终影响推荐结果的精度。因此，本文提出依据“协同过滤推荐算法-电动折弯机数控滚圆机滚弧机张家港电动液压缩管机滚圆机滚弧机 转载中国知网整理! www.suoguanjixie.name