基于社会计算的电子商务协同过滤推荐算法研究

发布时间：2017-05-30 19:01

  本文关键词：基于社会计算的电子商务协同过滤推荐算法研究，由笔耕文化传播整理发布。

【摘要】：随着电子商务在互联网产业中的兴起,作为电子商务平台核心技术之一的推荐系统已受到广泛的关注。电子商务推荐系统根据用户的个人特征、历史行为和物品特征等信息,结合相关的数据挖掘、机器学习和人工智能策略,预测用户对物品的需求程度。 在诸多推荐算法中,协同过滤的推荐技术是目前应用最广的推荐算法之一。尽管如此,但是随着互联网中信息膨胀和用户激增,协同过滤推荐技术面临着以下两个问题：第一,如何利用用户在电子商务平台上的社会属性提高推荐结果的覆盖率和准确率的问题。第二,如何考虑用户兴趣随时间推移而变化的问题,使推荐结果更符合用户不断变化的实际需求。本文针对这两个问题对电子商务协同过滤推荐算法展开研究,主要贡献如下： 在传统基于用户相似度的协同过滤推荐算法的基础上,引入信任计算的研究内容,包括信任列表挖掘、信任传递、信任组合等。提出了三种算法利用信任信息的推荐算法模型：1)基于信任挖掘的推荐算法；2)基于用户相似度与信任挖掘的混合推荐算法；3)基于用户相似度和信任传递的混合推荐算法。实验结果表明,在基于用户相似度的协同过滤推荐算法加入信任计算后,本文提出的基于信任的混合推荐算法的全局推荐覆盖率有显著提高,全局推荐准确率有所提高,而解决新用户问题的能力有显著提高。 在传统基于商品相似度的协同过滤推荐算法的基础上,本文提出了一个种基于兴趣计算的电子商务推荐算法。该算法假设用户在电子商务平台上的行为是由用户的兴趣或需求所驱动的,并且考虑兴趣是随时间变化而变化的。通过定义兴趣度函数来模拟由时间变化而导致的用户兴趣相关性衰减现象。实验结果表明,在基于商品相似度的协同过滤推荐算法加入兴趣计算后,全局推荐准确率和覆盖率有所提高。
【关键词】：电子商务 推荐系统 协同过滤 社会计算 信任计算 兴趣计算
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TP301.6
【目录】：

• 摘要3-4
• Abstract4-11
• 第1章 绪论11-15
• 1.1 课题背景11-12
• 1.2 研究意义12-13
• 1.3 本文的主要工作13-14
• 1.4 本文的组织结构14-15
• 第2章 推荐系统与社会计算综述15-28
• 2.1 推荐系统15-22
• 2.1.1 推荐问题的定义15-16
• 2.1.2 推荐系统的组成16-17
• 2.1.3 推荐算法概述17-20
• 2.1.4 推荐系统的国内外研究现状20-22
• 2.2 社会计算22-27
• 2.2.1 社会计算的定义22-23
• 2.2.2 社会计算的框架23-24
• 2.2.3 社会计算的理论与技术24-27
• 2.3 本章小结27-28
• 第3章 基于信任计算的商品推荐模型28-43
• 3.1 基于用户的协同过滤推荐算法28-32
• 3.1.1 算法框架28-29
• 3.1.2 相似度计算29-31
• 3.1.3 k邻居计算31
• 3.1.4 推荐结果31-32
• 3.2 基于信任挖掘的推荐算法32-35
• 3.2.1 算法框架34-35
• 3.2.2 信任集合的确定35
• 3.2.3 推荐结果35
• 3.3 基于用户相似度与信任挖掘的混合推荐算法35-37
• 3.3.1 算法框架36
• 3.3.2 线性组合36-37
• 3.4 基于用户相似度和信任传递的混合推荐算法37-42
• 3.4.1 算法框架38-39
• 3.4.2 信任传递与信任组合39-41
• 3.4.3 混合相似度计算41
• 3.4.4 k邻居计算41
• 3.4.5 推荐结果41-42
• 3.5 本章小结42-43
• 第4章 基于信任计算的推荐模型实验分析43-60
• 4.1 实验数据与分析43-48
• 4.1.1 评论数据分析44-46
• 4.1.2 信任数据分析46-48
• 4.2 实验设计48-49
• 4.3 实验评价指标49-52
• 4.4 实验结果52-59
• 4.4.1 邻居参数k的取值实验52-55
• 4.4.2 全局的覆盖率和精确率实验55
• 4.4.3 可扩展性实验55-57
• 4.4.4 Cold Start实验57-58
• 4.4.5 实验结论58-59
• 4.5 本章小结59-60
• 第5章 基于兴趣计算的推荐模型60-70
• 5.1 问题的提出和分析60-62
• 5.2 基于商品的协同过滤推荐算法62-65
• 5.2.1 算法框架62-63
• 5.2.2 相似度计算63-64
• 5.2.3 k邻居计算64
• 5.2.4 推荐结果64-65
• 5.3 基于兴趣计算的协同过滤推荐算法65-69
• 5.3.1 算法框架66-67
• 5.3.2 兴趣度计算函数67-68
• 5.3.3 基于兴趣计算的相似度计算68
• 5.3.4 k邻居计算68
• 5.3.5 推荐结果68-69
• 5.4 本章小结69-70
• 第6章 基于兴趣计算的推荐模型实验分析70-82
• 6.1 实验数据分析70-73
• 6.2 实验设计73-74
• 6.3 实验评价指标74-75
• 6.4 实验结果75-81
• 6.4.1 邻居参数k的取值实验75-78
• 6.4.2 兴趣衰减系数取值实验78-80
• 6.4.3 全局的覆盖率和精确率实验80
• 6.4.4 实验结论80-81
• 6.5 本章小结81-82
• 第7章 总结与展望82-84
• 7.1 总结82-83
• 7.2 展望83-84
• 参考文献84-89
• 攻读硕士学位期间主要的研究成果89-90
• 致谢90

【参考文献】

中国期刊全文数据库 前4条

1 张宇;陈华钧;姜晓红;盛浩;于彤;周林华;;电子商务系统信任管理研究综述[J];电子学报;2008年10期

2 林鸿飞,杨元生;用户兴趣模型的表示和更新机制[J];计算机研究与发展;2002年07期

3 秦光洁;张颖;;基于综合兴趣度的协同过滤推荐算法[J];计算机工程;2009年17期

4 李景涛;荆一楠;肖晓春;王雪平;张根度;;基于相似度加权推荐的P2P环境下的信任模型[J];软件学报;2007年01期

中国博士学位论文全文数据库 前1条

1 张宇;在线社会网络信任计算与挖掘分析中若干模型与算法研究[D];浙江大学;2009年

中国硕士学位论文全文数据库 前2条

1 凡项阳;基于Web 2.0的企业社会计算平台研究与实现[D];上海交通大学;2008年

2 杨晨醒;数字图书馆协同过滤及GPU计算技术研究[D];浙江大学;2010年

  本文关键词：基于社会计算的电子商务协同过滤推荐算法研究，由笔耕文化传播整理发布。

，

本文编号：407709