基于蚁群聚类的电子商务个性化推荐算法研究

发布时间：2017-10-15 14:51

  本文关键词：基于蚁群聚类的电子商务个性化推荐算法研究

  更多相关文章： 协同过滤推荐算法 蚁群算法 用户 项目

【摘要】：伴随着互联网的不断发展壮大，电子商务迅速发展，电子商务个性化推荐系统作为电子商务的一部分也越来越受到企业的重视。而电子商务个性化推荐系统是以推荐算法为中心的，，这促使国内外的许多研究者开始投身于对推荐算法的研究，他们提出了很多不同的推荐算法，这些算法的加入满足了物联网用户的个性化需求，但是也存在一些问题，如数据的稀疏性问题和数据的冷启动问题等。 蚁群算法是源于自然现象的一种算法，是一种新式的模拟蚂蚁群体智能行为的仿生优化算法，它的很多观点来源于真实蚁群。蚁群算法具有自组织性、正反馈性、较强的鲁棒性等长处，这启发了我们融合蚁群算法来研究推荐算法的思路。 本文提出了一种基于蚁群聚类的电子商务个性化推荐算法，该算法首先利用蚁群算法实现用户聚类，从而在一定程度上降低了候选邻居集的数量。然后在用户簇中运用融合用户和项目的协同过滤推荐算法对用户进行推荐，在此步骤中所采用的融合用户和项目的协同过滤算法是在传统的融合用户和项目的算法的基础上进行改进的，具体流程是：当用户共同评分的项目数量大于某一阈值时，采用基于用户的协同过滤推荐算法，反之采用传统的基于用户和项目的协同过滤。 另外本文对电子商务的推荐算法的许多细节问题进行了有效改善，具体改进如下： 1.当相似度的计算公式分母为零时得到相似度为无穷大，显然这与事实不符，为此本文采用基于用户的评价因子和基于项目的评价因子来代替用户相似度和项目相似度。 2.本文还对结合用户和项目的协同过滤算法的控制因子给出了具体计算公式，这有效解决了随机设置参数的不准确和耗时问题。 3.稀疏的用户-项目矩阵中未评分的项目可以根据项目之间的相似度得到一个预测的评分,在一定程度上降低了用户-项目矩阵的极端稀疏性，但是也存在极端情况，分别是没有一个用户对目标项目做过评分和目标用户未做过任何评分这两种情况。本文给出了极端情况下的处理办法，对于第一种情况，把用户对其所做过评分的平均值作为用户对目标项目的评分，而对于第二种情况，则取3.0作为用户对目标项目的评分。这样在一定程度上缓解了冷启动问题和稀疏性问题对电子商务推荐系统的影响。 实验结果表明：和传统的基于用户的协同过滤推荐算法和基于用户和项目的协同过滤推荐算法相比，通过本文的算法计算出的MAE值较小，从而可以有效地为用户进行个性化推荐。
【关键词】：协同过滤推荐算法 蚁群算法 用户 项目
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3;TP18
【目录】：

• 目录4-6
• 摘要6-8
• Abstract8-10
• 第1章 绪论10-17
• 1.1 研究背景10-11
• 1.2 国内外相关领域研究现状11-15
• 1.2.1 协同过滤推荐算法11-12
• 1.2.2 蚁群算法12-14
• 1.2.3 基于蚁群算法的推荐算法概述14-15
• 1.3 研究内容15
• 1.4 研究意义15
• 1.5 主要创新点15-16
• 1.6 论文结构16-17
• 第2章 相关理论概述17-32
• 2.1 电子商务推荐算法17-24
• 2.1.1 电子商务推荐系统17-18
• 2.1.2 基于用户的协同过滤推荐算法18-22
• 2.1.3 基于项目的协同过滤推荐算法22-24
• 2.1.4 协同过滤推荐算法的缺点24
• 2.2 蚁群算法24-26
• 2.2.1 蚁群算法的描述24-25
• 2.2.2 蚁群算法的特征25-26
• 2.3 蚁群聚类算法26-32
• 第3章 基于蚁群聚类的电子商务个性化推荐算法设计32-39
• 3.1 蚁群聚类算法32-35
• 3.2 融合用户和项目的协同过滤推荐算法35-39
• 第四章 实验设计及结果分析39-44
• 4.1 数据集39
• 4.2 度量标准39-40
• 4.3 实验过程40-44
• 4.3.1 实验环境40
• 4.3.2 实验结果及分析40-44
• 第五章 结论44-45
• 5.1 研究的优点与不足44
• 5.2 未来展望44-45
• 参考文献45-50
• 致谢50-51
• 攻读硕士学位期间公开发表的论文51

【参考文献】

中国期刊全文数据库 前10条

1 冀俊忠;程亮;赵学武;刘椿年;;量子蚁群算法求解多任务联盟问题[J];北京工业大学学报;2013年03期

2 秦福高;王文琴;;基于k-means算法改进的蚁群聚类算法[J];常州工学院学报;2013年Z1期

3 徐婕,詹士昌;动态调整信息素的蚁群算法[J];汉中师范学院学报(自然科学);2003年06期

4 吴小菁;;基于挥发系数的自适应蚁群算法[J];福建金融管理干部学院学报;2010年01期

5 陈烨;带杂交算子的蚁群算法[J];计算机工程;2001年12期

6 吴斌,史忠植;一种基于蚁群算法的TSP问题分段求解算法[J];计算机学报;2001年12期

7 张忠平;郭献丽;;一种优化的基于项目评分预测的协同过滤推荐算法[J];计算机应用研究;2008年09期

8 段海滨,王道波,朱家强,黄向华;蚁群算法理论及应用研究的进展[J];控制与决策;2004年12期

9 李引;毛力;须文波;;量子粒子群优化改进的模糊C均值聚类算法[J];计算机工程与应用;2012年35期

10 闫保权;;蚁群聚类LF算法在MATLAB中的实现[J];信息技术;2013年03期

中国博士学位论文全文数据库 前1条

1 李道全;电子商务信任管理模型与方法研究[D];山东科技大学;2011年

本文编号：1037746