引入信任的二部图电子商务个性化推荐算法改进研究

发布时间：2019-11-29 16:57

【摘要】：随着信息时代的发展和互联网的广泛应用,电子商务迅猛成长起来并广泛应用于人们生活的各个领域。越来越多的商家和用户参与到电子商务领域中来,一方面,商家渴望增强自身竞争力,增加客户忠诚度,从而增加收益;一方面,用户希望面对越来越多的产品时能够更加快速便捷并准确地买到合适的产品。因此,电子商务个性化推荐系统受到重视,其中以对推荐算法的研究最为关键。近年来新兴的二部图推荐算法在电子商务个性化推荐领域有着较应用最广泛的协同过滤推荐算法更好的性能表现。鉴于此,本文将基于经典的二部图算法,再引入刻画用户偏好的信任概念,完成以图部算法为核心的电子商务个性化推荐算法的改进研究。本文拟从“划分近邻网络”、“差异化商品初始资源配置”及“资源传输路径赋权”三个方面对传统的二部图推荐算法进行较全面综合的改进。在“划分近邻网络”时,将信任关系引入到近邻划分方法中,提出一种将用户相似度与用户信任度相结合的方式,利用用户信任度作为相似度的一个有效补充从而克服数据稀疏性得到可信的兴趣相似的用户群。并设计实验确定最佳的用户相似度与用户信任度的结合系数。在“差异化商品初始资源配置”时,用各个商品的“度”(即被购买的次数)来衡量商品的受喜爱程度,“度”越大越受喜爱。在有用户评分时利用用户评分最后在商品集中标准化后得到的数值为各个商品的初始资源配置。此改进拟用各个商品受用户喜爱程度来差异化商品的推荐能力。在“资源传输路径赋权”时,本文利用“划分近邻网络”时得到的用户相似度与用户信任度结合的复合矩阵的对应值为“用户商品”资源传输路径进行赋权来刻画不同用户的推荐能力,以期提高本文算法的推荐准确度和推荐有效性。本文采用个性化推荐领域的经典数据集,共设计3个实验来验证本文算法的有效性,实验结果表明引入信任的二部图电子商务个性化推荐算法(The bipartite graph recommendation algorithm based on trust,简称TBG)较之基于物质扩散的二部图算法以及评分赋权二部图算法在预测精确度和召回率相当的情况下,在产品的排序准确度方面表现更好。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3

【参考文献】