基于蚁群聚类的个性化推荐模型研究

李海霞
(陕西能源职业技术学院经济管理系,陕西 咸阳〓712000)



    随着现代电子商务的不断发展，现代商品信息呈数量级增长。对于消费者来讲，面对海量的数据信息，如何在短时间内找到自己需要的商品，降低购买成本，成为当前思考的重点问题。为解决该问题，很多学者进行了有益的尝试，并提出了基于内容的推荐、基于关联规则的推荐、基于协同过滤的推荐等算法，从而提高了电子商务商品的推荐效率和用户的忠诚度。在这些技术中，以协同过滤算法的研究最为广泛。如文献［1］~［6］结合数据属性和用户相似度等，对协同过滤算法进行改进，从而提高了商品推荐精度。但是长期以来在使用协同过滤算法的过程中，数据的稀疏性一直是影响协同过滤算法评分精度提高的重要因素［7］。对此，本文在前人研究的基础上引入蚁群算法，利用蚂蚁找食原理，从而找到邻近类簇，以此为后续的项目评分奠定基础，最后通过设计协同过滤算法，对用户进行筛选过滤。

1〓蚁群聚类算法原理
    蚁群算法是根据现实蚂蚁觅食行为抽象出来的一种算法，具有鲁棒性、正反馈型、自组织和分布并发性的特点［8］，被广泛应用在生活实践中。蚁群聚类的原理就是借助蚁群算法的优势，将待聚类的对象采用随机的原则分布在二维网格上，通过蚂蚁计算对象在该种群环境下的群体相似度，同时通过概率转换函数将相似度转换成拾起、移动或放下的概率，最终经过多次迭代，将相似的数据进行聚类。
假设在某二维网格上，存在若干个不同的蚂蚁在反复运动，并不断地执行拾起和放下的动作，同时在t时刻发现了某个数据对象Oi，那么可以得出该对象与周围对象的相似度f(Oi)：

f(Oi)=max{0,∑(Oi∈Neigh(s×s)(r))［1-(d(Oi,Oj)〖〗α(1+v-1vmax)］}
（1）

式中：α为相异度参数；d(Oi,Oj)为Oi和Oj两个对象之间的空间距离，也被称作对象之间的相似程度，d(Oi,Oj)越小表示对象之间的相似程度越高，即f(Oi)越大，反之d(Oi,Oj)越大表明f(Oi)越小；v为蚂蚁移动速度；vmax为蚂蚁最大的移动速度；Neigh(s×s)(r)为区域r的领域面积为s×s。蚂蚁移动速度v均匀地分布在［1,vmax］的区间，蚂蚁移动速度不同，聚类规模也有所不同。
d(Oi,Oj)通常采用欧氏距离和余弦函数法计算，本文采用余弦函数法进行计算。具体表达式为：

d(Oi,Oj)=1-sim(Oi,Oj)
（2）〓
sim(Oi,Oj)=(∑(mk=1D)(Oi,k·Oj,k)〖KF(〗∑〖DD(〗m〖〗k=1〖DD)〗(Oi,k)2·∑〖DD(〗m〖〗k=1〖DD)〗(Oj,k)2（3）

作者简介：李海霞（1983—），女，山西孝义人，陕西能源职业技术学院讲师，硕士，主要从事电子商务专业教学和科研工作。



（文章来源《机械设计与制造工程》杂志如需详细资料请联系江苏机械门户网客服QQ:2980918915,电话025-83726289）

更多关注，请扫码