电子商务推荐系统中协同过滤算法的研究

发布时间：2017-05-02 14:01

  本文关键词：电子商务推荐系统中协同过滤算法的研究，由笔耕文化传播整理发布。

【摘要】：推荐系统在电子商务空前发展的情况下显示了良好的应用前景,正逐步走入人们的日常生活,它一方面改善了用户的网络购物体验,另一方面成为“虚拟的网络促销员”,帮助卖家将买家的潜在需求变成真正的购买行为,达到增加销售额的目的。协同过滤算法是推荐系统中应用最成功、最广泛的一种。它帮助人们解决信息过载等问题,具有简单、高效的特点。但也存在稀疏性、冷启动、推荐质量与实时性平衡等诸多问题。 本文首先研究了传统的协同过滤算法：Item-Based协同过滤算法和User-Based算法。针对协同过滤算法的核心-计算用户(项目)相似度方面,提出利用云模型和K-means算法改进相似度的计算。使用用户评分特征向量的夹角余弦计算代替用户评分的夹角余弦计算,可以在粗粒度地考虑对象整体的相似性,综合了对象属性信息对用户相似度的影响。 在解决传统的协同过滤算法的稀疏性方面,首先给出了稀疏性的问题定义,并在对比已有解决方法的优缺点后,给出了基于PCA降维的协同过滤算法,首先对高维的稀疏矩阵进行缺省值填充,然后利用主成分分析(PCA)算法对经过填充得到的稠密矩阵进行变换,提取主成分因子,再对降维后的主成分向量进行递归矩阵聚类,得到具有相似兴趣的用户(项目)簇C1,C2,...Cp,找到目标用户Ui所在的簇Ci,根据用户Ui的最近邻对待评分用户的项目评分预测用户Ui对待评分项目的评分。 最后,选用当前绝大多数电子商务推荐系统研究的所采用的数据集MovieLens,设计了对比实验证实了算法的有效性。
【关键词】：推荐系统 协同过滤 Item-Based User-Based 数据降维 PCA MovieLens
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TP391.41
【目录】：

• 提要4-5
• 摘要5-7
• Abstract7-13
• 第1章 绪论13-21
• 1.1 研究背景13-14
• 1.2 电子商务推荐系统研究内容及其存在的主要问题14-16
• 1.2.1 推荐系统研究内容14-15
• 1.2.2 推荐系统存在的主要问题15-16
• 1.3 协同过滤技术研究现状及面临的挑战16-18
• 1.3.1 协同过滤技术研究现状16-17
• 1.3.2 协同过滤技术面临的主要挑战17-18
• 1.4 本文的主要工作18-19
• 1.5 本文的组织结构19-21
• 第2章 电子商务推荐技术概述21-30
• 2.1 个性化推荐技术概述21-24
• 2.1.1 基于内容的过滤技术21-22
• 2.1.2 协同过滤技术22-24
• 2.2 USER-BASED协同过滤推荐算法24-27
• 2.2.1 表示阶段25
• 2.2.2 用户相似性计算25-26
• 2.2.3 最近邻的生成阶段26
• 2.2.4 推荐策略26-27
• 2.3 ITEM-BASED协同过滤推荐算法27
• 2.4 传统的协同过滤算法存在的问题27-29
• 2.5 本章小结29-30
• 第3章 协同过滤算法相似度的改进研究30-36
• 3.1 云模型概述30
• 3.2 云模型的描述30-33
• 3.2.1 云的可视化方法31-32
• 3.2.2 云发生器(Cloud Generator)32-33
• 3.3 基于云模型的K-MEANS协同过滤算法33-35
• 3.3.1 K-Means算法33-34
• 3.3.2 利用云模型改进用户相似度计算34-35
• 3.4 本章小结35-36
• 第4章 解决协同过滤算法输入稀疏性的研究36-45
• 4.1 稀疏性问题及其常用的解决方案36-37
• 4.2 解决稀疏性问题的算法37-39
• 4.2.1 基于缺省值填充的最近邻算法37-38
• 4.2.2 基于SVD预测评分的最近邻算法38-39
• 4.3 数据降维39-41
• 4.3.1 数据降维方法概述39
• 4.3.2 主成分分析法介绍39-41
• 4.4 基于PCA的协同过滤算法41-43
• 4.4.1 标准化用户-项目评分矩阵41-42
• 4.4.2 皮尔森相关性矩阵42
• 4.4.3 主成分分析42-43
• 4.4.4 递归矩阵聚类43
• 4.4.5 形成推荐的总体步骤43
• 4.5 本章小结43-45
• 第5章 实验结果及分析45-53
• 5.1 实验基础45-46
• 5.1.1 数据集45-46
• 5.1.2 度量标准46
• 5.1.3 实验平台46
• 5.2 传统的协同过滤算法46-49
• 5.2.1 三种标准相似度的影响46-47
• 5.2.2 传统的Item-Based与User-Based协同过滤算法比较47-48
• 5.2.3 传统的协调过滤算法受其他因素的影响48-49
• 5.3 云模型49-51
• 5.4 数据填充51-52
• 5.5 本章小结52-53
• 第6章 总结与展望53-55
• 6.1 本文的总结53
• 6.2 下一步工作53-55
• 参考文献55-59
• 作者简介及在学校期间所取得的科研成果59-60
• 致谢60

【引证文献】

中国硕士学位论文全文数据库 前1条

1 李君;基于在线评论的个性化推荐系统[D];电子科技大学;2013年

  本文关键词：电子商务推荐系统中协同过滤算法的研究，，由笔耕文化传播整理发布。

本文编号：341056