论文部分内容阅读
随着互联网的高速发展,数据量也呈现指数增长,从海量数据中提取有用信息正变得越来越困难,用户常常需要花费很多的时间才能提炼出有效信息。海量数据的获取成本高且让用户不堪重负,推荐算法被认为是减轻用户负担的关键技术。但面对数据稀疏时,传统的推荐算法执行效率以及准确性方面仍存在诸多不足。因此本文提出一种基于自适应聚类和用户信任模型的推荐算法,并将该算法应用于学生个性化的职业规划推荐系统。本文主要工作和创新点在以下几个方面:1..K-means聚类算法的自适应改进。针对经典K-means聚类算法的聚类个数需人为设定以及初始中心随机选择的不足,提出一种自适应的 K-means 聚类算法(Adaptive K-means Clustering,AKC),算法通过高密度区域发现首个中心点并利用区域限定策略实现自适应选择,改进后的初始中心选择与聚类个数形成可依据数据集的不同动态自适应生成,能显著提升聚合效果。2.用户信任模型的推荐算法(User Trust Model Recommendation Algorithm,UTMRA)。本文针对传统推荐算法只考虑用户历史评分的局限,构建一种用户信任模型的相似度计算方法和推荐策略,综合考虑属性信息、共评分信息对推荐结果产生的影响,从而提升推荐结果的准确性。3.自适应聚类和用户信任模型的推荐算法(Adaptive K-means Clustering and User Trust Model Recommendation Algorithm,AKC-UTMRA)。UTMRA算法虽然在准确度方面有所提升,却增加了算法运算的复杂度,降低执行效率,为提升算法执行效率,引入AKC算法。充分结合AKC算法与UTMRA算法的优势,提升准确度的同时也缩小UTMRA算法的搜索空间。通过对比实验,表明了在准确度和实时性上都有所提升。4.基于AKC-UTMRA算法的职业规划推荐系统。在相关课题的支撑下,基于本算法设计开发了一套学生个性的职业规划推荐系统,在该系统中取得了预期的效果,完成了学生职业规划系统的智能推荐,能自动匹配学生个性特征。