基于协同过滤技术的电子商务个性化推荐研究

论文摘要

随着Internet的迅速发展,电子商务蓬勃兴起。电子商务站点在为用户提供越来越多选择的同时,其结构也变得更加复杂,电子商务的发展面临了新的挑战:一方面,用户对站点提供的众多产品信息并非完全感兴趣,通常需要经过多次浏览才能找到满足自己需求的产品;另一方面,站点没有了解用户的个人需求,提供给用户的是千篇一律的界面,无法有效地提高其产品的吸引力,维护稳定的客户关系。电子商务推荐系统能够直接与用户交互,模拟商店销售人员向用户提供商品推荐,帮助用户找到所需商品,从而顺利完成购买过程。在日趋激烈的竞争环境下,电子商务推荐系统能有效保留用户、防止用户流失,提高电子商务系统的销售。推荐系统在电子商务系统中具有良好的发展和应用前景,逐渐成为电子商务技术的一个重要研究内容,受到越来越多研究者的关注。向用户进行个性化的产品推荐是解决这个挑战的最有效的方法。电子商务推荐系统在理论和实践中都得到了很大发展。协同过滤是目前在电子商务推荐系统中应用较为成功的个性化推荐技术。但是随着站点结构、内容的复杂度和用户人数的不断增加,协同过滤算法也遇到了实时性、数据稀疏性、可扩展性、冷启动等种种问题。本文针对传统协同过滤的数据稀疏性问题,分析了协同过滤推荐中稀疏性问题的根源,提出了一种结合分类树和协同过滤的个性化推荐技术的改进算法。其基本思想是:首先利用分类树算法划分项目矩阵,根据建立的分类树分别对目标用户和其他用户进行加权映射,得出项目的综合评价。利用这些综合评价计算目标用户与其他用户的相似性,把偏好度较高的用户作为目标用户的邻居集。最后根据用户最近邻居集预测对每个项目的评分,产生推荐给目标用户。本文通过开发的实验测试系统对改进的协同过滤算法进行了测试,验证了改进算法的合理性和有效性,从而可以有效解决用户评分数据极端稀疏情况下传统方法存在的不足,有效地提高了电子商务推荐算法的推荐质量。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 论文研究背景
• 1.1.1 电子商务个性化推荐系统
• 1.1.2 电子商务个性化推荐技术
• 1.2 论文的研究工作
• 1.3 论文结构
• 1.4 小结
• 2 电子商务个性化推荐系统
• 2.1 电子商务推荐系统概述
• 2.1.1 推荐系统的作用
• 2.1.2 推荐系统的分类
• 2.1.3 推荐系统的推荐方式
• 2.2 电子商务个性化推荐系统的构成
• 2.2.1 基本构成
• 2.2.2 推荐方法模块实例
• 2.3 电子商务个性化推荐系统的框架结构
• 2.4 电子商务个性化推荐系统的研究
• 2.4.1 推荐系统的研究内容
• 2.4.2 推荐系统面临的挑战
• 2.4.3 国内外研究现状
• 2.5 小结
• 3 电子商务个性化推荐技术
• 3.1 主要推荐技术介绍
• 3.1.1 基于用户的协同过滤推荐
• 3.1.2 基于项目的协同过滤推荐
• 3.1.3 基于规则的推荐
• 3.1.4 基于内容的推荐
• 3.1.5 基于人口统计信息的推荐
• 3.1.6 基于效用的推荐
• 3.1.7 基于知识的推荐
• 3.2 各种推荐技术特点的比较
• 3.3 组合推荐技术
• 3.4 小结
• 4 基于分类树相似度加权的协同过滤算法
• 4.1 协同过滤的定义
• 4.2 协同过滤推荐的分类
• 4.3 传统协同过滤推荐算法
• 4.3.1 User-based协同过滤推荐算法
• 4.3.2 Item-based协同过滤推荐算法
• 4.4 传统协同过滤推荐算法应用中面临的主要挑战
• 4.4.1 User-based协同过滤推荐算法分析
• 4.4.2 Item-based协同过滤推荐算法分析
• 4.5 协同过滤算法的稀疏性问题分析
• 4.6 算法提出的基本思想
• 4.7 算法语言描述
• 4.7.1 算法的表示
• 4.7.2 算法的输入输出
• 4.7.3 算法的过程
• 4.8 程序流程图
• 4.9 小结
• 5 实验设计与结果分析
• 5.1 实验数据集
• 5.2 实验设计
• 5.2.1 实验数据集的选取
• 5.2.2 实验环境
• 5.2.3 度量标准
• 5.2.4 实验方案
• 5.3 实验结果分析
• 5.4 实验结果总结
• 5.5 小结
• 6 总结与展望
• 6.1 总结
• 6.2 进一步的工作
• 致谢
• 参考文献
• 附录