4.6.3　主动推送技术

1.聚类分析方法

聚类分析方法作为一种有效的数据分析方法被广泛地应用于数据挖掘、商业分析、产品推荐、机器学习等领域。聚类分析方法的本质是计算机系统能够依据某种指定的分类标准自动将分析对象分为不同的组，并且使得每个小组中的分析对象之间有相类似的属性或有某种相似的关系。目前聚类分析方法主要有层次化聚类方法、基于网格的聚类方法、划分式聚类方法、模糊聚类方法、层次聚类方法、基于神经网络的聚类方法等。选择不同的聚类方法就会有不同的计算方法，如基于网格的聚类方法通常采用STING算法[151]，划分式聚类方法通常采用k-means算法[152]，模糊聚类方法应用最广泛的算法为FCM（Fuzzy C-mears）算法[153]，基于神经网络的聚类方法代表性的算法为SOM算法[154]，常用的层次聚类算法为CURE[155]。通常，聚类分析方法一般包含四个步骤：对象特征的获取与识别、计算特征的相似度、根据相似度值进行分组以及聚类结果显示。

2.协同过滤推送方法

协同过滤推送方法（Collaborative Filtering，CF）[156]的基本思想是根据具有类似特征的用户的行为记录来对当前要推送服务的用户进行推送或预测，根据当前要推送服务的用户对其他服务的评分以及其他用户对服务过去的评价记录来预测当前要推送服务的用户对某一未购买服务的评分。经典协同过滤推送算法的推送过程按照计算的先后顺序一般划分为三个阶段，分别为用户—服务模型表示、寻找最近邻用户和推送服务产生并推送给某对象。

3.混合推送方法

为了解决基于用户的协同过滤方法和基于服务的协同过滤方法存在的不足，学术界又提出了混合推送方法，混合推送方法是将两种或两种以上的推送方法结合进行服务的推送，将多种推送方法结合有效地克服了单一推送方法的缺点，从而在一定程度上提高了服务推送的准确度。

目前已有的混合推送方法有基于用户—服务的协同过滤推送方法、基于内容的协同过滤推送方法、聚类—协同过滤推送方法等，根据混合推送方法中单一方法之间的组合关系可以将混合推送方法分为直接组合服务推送方法、特征组合服务推送方法、加权组合服务推送方法、多层次组合服务推送方法、阶梯组合服务推送方法[157]。