協(xié)同過(guò)濾技術(shù)在電子商務(wù)推薦系統(tǒng)中的應(yīng)用與研究.pdf

1、近年來(lái)，電子商務(wù)個(gè)性化推薦系統(tǒng)在網(wǎng)絡(luò)上獲得了普遍的成功，協(xié)同過(guò)濾是其中應(yīng)用最為廣泛的個(gè)性化推薦技術(shù)。但是當(dāng)前的電子商務(wù)推薦系統(tǒng)在實(shí)際運(yùn)用中還相當(dāng)不成熟，仍然存在許多問(wèn)題，如推薦質(zhì)量受到稀疏的用戶評(píng)價(jià)數(shù)據(jù)的嚴(yán)重影響，系統(tǒng)的可擴(kuò)展性能差，推薦缺乏多樣性無(wú)法涵蓋用戶的完整興趣。同時(shí)，網(wǎng)上有效信息的數(shù)量和商品的種類的急速增長(zhǎng)對(duì)推薦系統(tǒng)提出了嚴(yán)峻挑戰(zhàn)。 本文研究了個(gè)性化推薦系統(tǒng)及其主要的推薦技術(shù)，特別是協(xié)同過(guò)濾技術(shù)，包括基于用戶的協(xié)同過(guò)濾

2、技術(shù)和基于項(xiàng)目的協(xié)同過(guò)濾技術(shù)。本文所做的主要工作及創(chuàng)新體現(xiàn)在下面的四個(gè)方面： 本文在協(xié)同過(guò)濾算法的計(jì)算用戶間相似度階段，提出了一種基于用戶興趣變化的協(xié)同過(guò)濾的改進(jìn)算法。算法考慮了用戶評(píng)價(jià)時(shí)間的影響，改進(jìn)了傳統(tǒng)的用戶間相似度的計(jì)算方法，從而得到最有效的目標(biāo)用戶最近鄰居。 另外，在推薦系統(tǒng)中尋找目標(biāo)用戶最有效鄰居方面，本文利用用戶的屬性特征對(duì)用戶進(jìn)行聚類。先找到目標(biāo)用戶所在的聚類簇，然后在這個(gè)聚類簇中利用改進(jìn)的用戶相似度量方

3、法尋找目標(biāo)用戶的最近鄰居。 在預(yù)測(cè)階段，本文利用能使改進(jìn)算法達(dá)到最低MAE值(推薦評(píng)價(jià)標(biāo)準(zhǔn))的最近鄰居來(lái)預(yù)測(cè)用戶未評(píng)分項(xiàng)目的評(píng)分，并且通過(guò)實(shí)驗(yàn)驗(yàn)證了這種方法比單純用基于用戶的協(xié)同推薦算法具有更高的推薦質(zhì)量。 在推薦階段本文采用了多模型推薦方法。另外，系統(tǒng)采用眾數(shù)法解決推薦系統(tǒng)中冷啟動(dòng)(新項(xiàng)目和新用戶)問(wèn)題，提高了推薦系統(tǒng)的推薦質(zhì)量。 仿真實(shí)驗(yàn)表明：改進(jìn)的協(xié)同過(guò)濾推薦算法比傳統(tǒng)的協(xié)同過(guò)濾推薦算法具有更好的推薦效果。