协同过滤算法在电子商务推荐系统的研究

论文摘要

随着网络信息化服务的飞跃式发展,商品与服务等领域的电子海量数据,在给用户提供更多信息服务的同时,也让用户迷失在电子信息的海洋之中,无法准确地找到自己想要的信息,作为智能化服务的推荐系统已经成为信息个性化推荐技术的重要表现形式,在电子商务等信息化服务中具在不可替代的作用。对电子商务推荐模块的研究,具有良好的应用前景和实用价值。本文在研究电子商务领域中广泛应用的个性化推荐系统的基础上,对推荐系统中各种推荐技术进行研究,结合各种推荐技术的优缺点,着重研究协同过滤技术的填充模型,针对协同过滤中存在的数据极端稀疏、相似准确度问题进行研究,提出一种基于模型填充的混合协同过滤算法,并将之应用于电子商务推荐模块。对填充模型的研究,本文主要提出了两种填充策略,首先,利用朴素贝叶斯方法对用户项目属性进行概率统计,建立特征属性预测表,即相应的贝叶斯模型,结合项目相似度的项目模型,建立由贝叶斯模型和项目模型结合的填充策略；其次,基于用户聚类和项目聚类,结合用户聚类的(用户组,项目)评分矩阵和项目聚类建立的(用户,项目组)评分矩阵来对(用户,项目)稀疏评分矩阵进行填充的聚类填充策略。实验结果表明,基于填充模型的协同过滤算法对传统过滤算法有更好的性能,在用户相似度以及项目相似度的准确度上有较大的提高,从而提高了推荐的准确度；针对不同的数据源进行建模,有效地改善了推荐系统数据的单一性,将基于内容的推荐技术与基于评分的推荐技术有效地整合在填充模型中,改善了推荐系统对评分数据的过度依赖,提高了推荐系统的健壮性。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状以及存在的问题
• 1.2.1 研究现状
• 1.2.2 推荐系统中存在问题
• 1.3 研究内容与论文结构安排
• 1.3.1 研究内容
• 1.3.2 结构安排
• 2 个性化电子商务推荐系统
• 2.1 电子商务推荐系统简介
• 2.2 电子商务推荐系统的分类
• 2.3 推荐系统的结构框架
• 3 各种推荐技术在电子商务推荐系统中的应用
• 3.1 基于关联规则的推荐算法
• 3.2 基于内容的推荐算法
• 3.3 协同过滤推荐算法
• 3.3.1 协同过滤的一般步骤
• 3.3.2 两种基本的协同过滤算法
• 3.3.3 协同过滤技术存在的问题
• 3.4 基于知识推荐算法
• 3.5 基于效用的推荐算法
• 3.6 混合推荐算法
• 4 基于模型填充的混合协同过滤推荐系统
• 4.1 模型构建基础
• 4.2 基于贝叶斯模型和项目模型的矩阵填充策略
• 4.2.1 构建贝叶斯模型
• 4.2.2 构建项目模型
• 4.3 基于用户和项目聚类模型的填充策略
• 4.3.1 Refined k-means聚类算法
• 4.3.2 建立用户聚类模型
• 4.3.3 建立项目聚类模型
• 4.3.4 基于用户和项目聚类的填充方法
• 4.4 相似度计算
• 4.4.1 用户相似度和项目相似度计算
• 4.4.2 改进用户相似度USim（a,u）和项目相似度ISim（i,j）
• 4.5 邻居选择与评分预测
• 5 实验结果及评价
• 5.1 数据集的选取及度量标准
• 5.1.1 实验平台
• 5.1.2 数据集
• 5.1.3 度量标准
• 5.2 实验结果及其分析
• 5.2.1 实验结果
• 5.2.2 实验结果分析
• 6 结束语
• 6.1 论文总结
• 6.2 以后要做的工作
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果