31、基于遗传算法的推荐系统聚类优化方案

基于遗传算法的推荐系统聚类优化方案

1. 引言

在推荐系统中，协同过滤是常用的推荐算法，但存在计算复杂度高和时间消耗大的问题。聚类算法可将用户分组，减少计算量。K - means 算法虽简单且收敛快，但存在初始种子选择的难题，而遗传算法能寻找全局最优解，可用于改进推荐系统的聚类效果。

2. 相关工作

• 协同过滤问题 ：基于内存的协同过滤算法通过测量用户间相似度选择邻居用户进行推荐，此步骤耗时且计算复杂。解决方法包括分布式协同过滤和用户聚类。
• 聚类算法 ：
  • K - means 算法 ：简单且收敛快，但初始种子选择困难。不同的 K - means 初始化方法在复杂度上有差异。
  • 其他 K - means 变体 ：
    • Zahra 等人提出的变体用相似度、密度、方差等选择初始种子，部分扩展对用户进行过滤，但未解决稀疏性问题。
    • Cao 等人提出迭代渐进式初始种子选择方法，效率受第一个种子选择影响。
    • Li 提出基于欧氏距离和邻居选择的中心聚类初始化方法，只能处理簇数量为 2 的情况。
  • 进化算法 ：传统聚类技术易陷入局部最优，进化聚类技术分为需指定簇数量和无需指定两类。如 Kuo 等人提出基于蚁群的 K - means 算法，Kalyani 和 Swa