[发明专利]一种基于谱聚类的冷链物流配载智能推荐方法

说明书

技术领域

本发明属于推荐技术领域，特别涉及一种基于谱聚类的冷链物流配载智能推荐方 法，可应用于冷链物流配载推荐系统。

背景技术

推荐系统通过对用户偏好、习惯、访问记录、购买记录等信息进行综合分析，定制 的向用户提供其可能感兴趣的信息和服务，其在电子商务、在线影视、新闻广告等领域得到 广泛应用，如亚马逊购物(Amazon)、淘宝网、Google广告等。协同过滤推荐是推荐系统中应 用最早和最成功的技术之一，其基本假设是：如果用户在过去有相同的偏好（如他们浏览或 购买过相同的图书），那么他们在未来也会有相似的偏好。然而，协同过滤推荐技术在实际 应用中存在数据稀疏、用户相似性难以准确度量等问题，以用户观看网络电影为例，通常用 户观看电影的数量只是网站电影总数量的2%左右，而用户对电影的评价会更少，网站收集 到的用户评分矩阵极其稀疏，这会导致协同过滤推荐算法在计算用户相似性时精度不高， 推荐误差较大。针对上述问题，国内外学者对协同过滤推荐算法进行了相关改进。吴湖等在 “两阶段联合聚类协同过滤算法”（软件学报，2010,21(5):1042-1054）提出了一种基于两 阶段联合聚类协同过滤算法，首先对原始矩阵进行用户和项目双向聚类，然后通过加权非 负矩阵分解进行评分预测，推荐精度得到一定提高。TsaiCF与HungC.在“Cluster ensemblesincollaborativefilteringrecommendation”（AppliedSoftComputing, 2012,12(4):1417-1425）提出了将融合聚类(clusterensemble)技术应用到协同过滤推 荐算法中，但该类方法存在对聚类边缘用户推荐精度较低的问题。赵宏霞等人在“基于用户 和项目因子分析的混合协同推荐算法”（计算机应用,2011,31(5):1382-1386）和HuangZ 等人在“Acomparisonofcollaborative-filteringrecommendationalgorithmsfor E-commerce”（IEEEIntelligentSystems,2007,22(5):68-78）提了出先通过因子分 析、奇异值分解（SingularValueDecomposition,SVD）等方法对评分矩阵进行降维，再 采用回归分析方法预测评分，该类方法减少了运算数据量并最大限度保留了矩阵信息，实 验中取得了较好的效果，但该方法以牺牲评分矩阵数据为代价，在原始评分矩阵极为稀疏 的情况下，该类方法的预测误差较大。上述对协同过滤算法的改进都建立在单个独立的数 据空间，而在大数据环境下，大量新的数据在众多领域（如电影、图书、新闻、电子商务、博 客、微博、社交网络）爆炸性增长，数据正以前所未有的速度不断地增长和累计，要在这些新 领域应用传统的机器学习方法，需要大量有标识的训练数据，但是如果对每个领域都标识 出大量训练数据会耗费大量的人力和物力。虽然不同网站的用户并不是相同的群体，但是 他们都是全体社会成员中抽样出来的子集，用户对电影、图书、新闻等内容会体现相似的兴 趣分布，比如，喜欢科幻小说的人群同样会喜欢看科幻电影和相关新闻。所以，在单个用户 和项目之间没有显式对应关系的情况下，相似类别的用户或项目也可以具有相似的潜在特 征。