电子商务推荐系统中协同过滤算法的改进与研究

发布时间：2017-05-29 01:04

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

【摘要】：近些年来，互联网迅猛发展，电子商务保持着持续增加的趋势，信息在不断的膨胀甚至于过载，正是因此电子商务面临着巨大的挑战。为了解决这一难题，电子商务推荐系统应运而生，电子商务推荐系统可以帮助用户快速的定位到自己喜欢的商品。协同过滤技术是目前发展最为迅速的的一种个性化推荐技术，但传统协同过滤本身的算法本身具有局限性，存在“稀疏性”问题、“冷启动”问题和“可扩展性”问题等，针对电子商务推荐系统中通常采用的协同过滤推荐算法的不足，本文提出了一种改进的协同过滤组合推荐算法。 本文首先引入聚类分析，在聚类分析的模型中，只将目标用户或项目在由聚类产生的搜索空间进行搜索，而不必在整个数据空间中进行，这样缩小了搜索范围，提高了搜索效率，有效提高了系统的实时响应速度，这就是我们引入聚类分析对数据集进行预处理的原因。 本文引入了信任模型，利用回归分析法将由用户-项目评分矩阵产生的相似度矩阵与由用户-用户信任评分矩阵产生的信任度矩阵相结合，，作为进行最近邻搜索的新的标准，提高了推荐的准确性，从而为目标用户提供更好的推荐结果。 本文以传统的协同过滤推荐算法为基础，引入聚类分析与信任模型成为一种新的协同过滤组合推荐算法，该推荐算法能够有效改善或克服传统协同过滤技术中出现的问题，从而提供系统的准确性。本文并对该算法进行了设计，并进行了对比实验，经过实验表明，该算法能够降低预测的用户评分与实际的用户评分之间的平均绝对偏差，提高系统的推荐质量。
【关键词】：电子商务推荐系统 协同过滤 聚类分析 信任模型 回归分析
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-10
• 1. 绪论10-16
• 1.1 研究背景及意义10-12
• 1.1.1 研究背景10-12
• 1.1.2 研究意义12
• 1.2 国内外研究现状及发展动态12-14
• 1.2.1 电子商务推荐系统的国内外研究现状及发展动态12-13
• 1.2.2 个性化推荐系统的国内外研究现状及发展动态13-14
• 1.3 研究内容及结构安排14-16
• 2. 电子商务推荐系统及推荐技术16-26
• 2.1 电子商务推荐系统概述16-18
• 2.1.1 电子商务推荐系统的分类16-17
• 2.1.2 电子商务推荐系统的组成17-18
• 2.2 电子商务推荐系统的研究内容18-19
• 2.3 电子商务个性化推荐技术19-23
• 2.3.1 基于关联规则的推荐技术19-20
• 2.3.2 基于内容的推荐技术20-21
• 2.3.3 协同过滤的推荐技术21
• 2.3.4 组合推荐算法21-22
• 2.3.5 其他几种常见的推荐技术22-23
• 2.4 协同过滤推荐技术23-26
• 2.4.1 相关概念23-24
• 2.4.2 基于用户的协同过滤推荐算法24-25
• 2.4.3 基于项目的协同过滤推荐算法25-26
• 3. 聚类分析简述26-39
• 3.1 数据挖掘26-28
• 3.1.1 数据挖掘简述26
• 3.1.2 数据挖掘方法26-27
• 3.1.3 数据挖掘与推荐系统27-28
• 3.2 聚类分析的概念及原理28-29
• 3.3 聚类方法的分类29-32
• 3.3.1 基于划分的聚类方法30-31
• 3.3.2 基于层次的聚类方法31
• 3.3.3 基于密度的聚类方法31-32
• 3.3.4 基于网格的聚类方法32
• 3.3.5 基于模型的聚类方法32
• 3.4 K-means 算法32-37
• 3.4.1 K-means 算法33-35
• 3.4.2 K-means 算法的优缺点35-36
• 3.4.3 K-means 算法的改进36-37
• 3.5 基于聚类的协同过滤推荐算法37-38
• 3.5.1 基于用户聚类的协同过滤推荐算法37
• 3.5.2 基于项目聚类的协同过滤推荐算法37-38
• 3.6 本章小节38-39
• 4. 信任模型及回归分析法的应用39-47
• 4.1 信任模型39-43
• 4.1.1 信任的定义39-40
• 4.1.2 信任的特性40-41
• 4.1.3 信任模型的建立41-42
• 4.1.4 引入信任的必要性42-43
• 4.2 回归分析法及应用43-46
• 4.2.1 回归分析法简述43
• 4.2.2 回归分析法的原理43-45
• 4.2.3 回归分析法在推荐系统中的应用45-46
• 4.3 本章小节46-47
• 5. 改进的协同过滤组合推荐算法研究47-54
• 5.1 协同过滤组合推荐算法的框架及思路47-49
• 5.2 算法的设计与分析49-52
• 5.2.1 数据的收集与处理49
• 5.2.2 聚类49-51
• 5.2.3 相似度计算51
• 5.2.4 相似-信任度计算51
• 5.2.5 K 最近邻用户搜索51-52
• 5.2.6 预测评分52
• 5.2.7 产生推荐列表52
• 5.3 本章小结52-54
• 6. 实验设计与结果分析54-60
• 6.1 实验环境及实验数据54-55
• 6.1.1 实验环境54
• 6.1.2 实验数据54-55
• 6.2 实验评价的度量标准55
• 6.3 实验的设计、结果与分析55-58
• 6.3.1 实验 155-56
• 6.3.2 实验 256-57
• 6.3.3 实验 357-58
• 6.4 本章小节58-60
• 结论60-62
• 参考文献62-67
• 致谢67-68
• 攻读博士（硕士）期间发表的论文及所取得的研究成果68

【参考文献】

中国期刊全文数据库 前6条

1 谭勇,荣秋生;一个基于K-means的聚类算法的实现[J];湖北民族学院学报(自然科学版);2004年01期

2 蔡伟鸿,刘震;基于密度聚类算法的入侵检测研究[J];计算机工程与应用;2005年21期

3 徐翔;王煦法;;协同过滤算法中的相似度优化方法[J];计算机工程;2010年06期

4 杨圣云;袁德辉;赖国明;;一种新的聚类初始化方法[J];计算机应用与软件;2007年08期

5 雷小锋;谢昆青;林帆;夏征义;;一种基于K-Means局部最优性的高效聚类算法[J];软件学报;2008年07期

6 马晓春,高翔,高德远;聚类分析在入侵检测系统中的应用研究[J];微电子学与计算机;2005年04期

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

本文编号：403813