1.自动确定聚类中心的用户影评密度峰值聚类方法，包括以下步骤：步骤1.读取用户影视评分数据文件中的数据集，该数据集包含1000个用户，1700部电影作品，然后用欧式距离计算任意两个用户i与j之间的相似度值，i，j<＝1000，相似度值是用来反应两个影评用户之间的相关关系的程度，相似度值越大，表示这两个用户的相关关系越大，被划为同一类的可能性就越大；反之，相似度值越小，即相关性就越小，被划分为同一类的可能性就越小；

步骤2.计算两个用户之间的相似度：i与j代指某两个影评用户，n为数据集中电影总数；

步骤3.初始化截断距离dc

其中M为步骤2中计算距离的总数，t为比例系数，初始化t＝2％，f(Mt)是对Mt进行四舍五入后得到的整数，公式译为对所有的距离dij进行升序排列，然后取第2％位置的距离点作为截断距离的dc的值；

步骤4.影评用户i的局部密度ρi计算，可以理解为作为聚类中心用户的必要条件之一，即聚类中心用户会有更多的非中心用户附庸，而局部密度值就是反应每一个用户的附庸指数，其计算公式为：

dij为影评用户j与影评用户i的相似度，dc为截断距离；

步骤5.计算用户点i的距离δi，可以理解为作为聚类中心用户的必要条件之二，即作为聚类中心不仅要有更多的附庸，而且必须要与其他聚类中心有更大的相似度值，这样两个聚类群体才会保证每一个群体内部有较高的相似性，对其他群体有更大相异性；距离计算公式为：

ρi、ρj分别为影评用户i、j的局部密度，其中局部密度最大值的影评用户取δi＝maxj(dij)；

步骤6.计算用户i的归一化决策函数ri，其计算方式为：ri＝[ρi/(ρmax‑ρmin)]*[δi/(δmax‑δmin)]        (5)ρmax、ρmin、δmax、δmin分别表示所有的影评用户的最大局部密度值、最小局部密度值、最大距离、最小距离；

步骤7.初始化聚类中心；根据归一化决策函数对ri进行降序排列，初始化聚类中心个数Ci＝1；

步骤8.依据降序的ri取前Ci个数据点作为聚类中心用户，对非中心用户进行归类；将非聚类中心用户划分为局部密度比最大，且距离最近点中心用户；

步骤9.离群用户剔除；依据截断距离dc把初步归类好的用户划分为核心用户和边界用户：若边界点p的dc邻域中包含的核心用户同属于一个类簇，则把该点划分为核心用户簇中；若该边界点p同时落在几个不同的类簇中，则把该点划分为边界点；取同一个类簇的边界点的局部密度最大值作为判别离群用户阈值ρb；将局部密度小于ρb的用户作为离群用户处理；

步骤10.计算占分比N

N＝△m/m       (6)△m为聚类核心点总数的变化量，m为当前聚类核心点数；

步骤11.取占分比最大值时的聚类中心点数Ci，然后依据降序后的归一化决策函数，取前Ci‑1个点作为本样本的聚类中心，然后按照上述步骤对非中心点进行归类划分；

步骤12.输出聚类结果；聚类结果主要有两部分组成，一部分是已经聚类好的多个用户群体；另一部分是离群用户，这些离群用户与那些用户群体有较低的相似度，其商业价值较低。