电子商务推荐系统中协同过滤技术的研究

发布时间：2017-09-09 19:33

  本文关键词：电子商务推荐系统中协同过滤技术的研究

  更多相关文章： 协同过滤 推荐系统 冷启动 商品层次 奇异值分解

【摘要】： 个性化推荐系统在电子商务领域具有良好的应用前景,是电子商务技术中重要的研究内容。推荐系统通过预测用户的喜好对用户做出推荐,为用户进行信息过滤。协同过滤是经常被采用的解决信息过载问题的方法,是个性化推荐的主要方法之一。传统的协同过滤主要存在着:精确性、数据稀疏与冷启动的问题。 本文首先介绍了电子商务与电子商务中个性化推荐的相关概念,接着对传统协同过滤方法中存在的问题进行进一步的分析,在分析的基础上,对传统协同过滤方法提出相应的改进方法。 传统协同过滤算法在构建用户评估矩阵时,对用户未评分的项目简单填充固定值。本文利用电子商务系统中商品属于不同层次的特点,通过计算商品所属层次的RF/IRF值,将RF/IRF值高层次中商品填入特定值。从而在一定程度上解决数据稀疏性和冷启动问题。通过对传统协同过滤项目推荐公式的扩展,不再局限于最近邻居用户对某个商品的评价,而是将所有用户评价整体考虑到推荐当中。对于协同过滤技术面临的扩展性问题,对Sarwar等人提出的基于奇异值分解的协同过滤进行改进。最后通过实验,分析新提出的算法在各个评价指标上的表现。 本文还将新提出的算法应用到实际的环境中,在江西省新华书店的基于Agent的个性化出版物信息服务系统的课题中使用该算法。
【关键词】：协同过滤 推荐系统 冷启动 商品层次 奇异值分解
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：F713.36
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 绪论8-12
• 1.1 研究背景及意义8-9
• 1.2 国内外研究现状9-10
• 1.2.1 协同过滤技术国外研究现状9-10
• 1.2.2 协同过滤技术国内研究现状10
• 1.3 研究内容与论文结构10-11
• 1.4 创新之处11
• 1.5 本章小结11-12
• 第2章 电子商务个性化推荐技术12-21
• 2.1 引言12
• 2.2 电子商务推荐系统12-14
• 2.3 电子商务推荐系统的输入/输出14-15
• 2.3.1 推荐系统输入14-15
• 2.3.2 推荐系统输出15
• 2.4 个性化推荐技术15-20
• 2.4.1 协同过滤推荐16-17
• 2.4.2 基于内容的推荐17
• 2.4.3 基于关联规则的推荐17-18
• 2.4.4 基于效用推荐18-19
• 2.4.5 基于知识推荐19
• 2.4.6 组合推荐19-20
• 2.5 本章小结20-21
• 第3章 传统协同过滤技术研究与分析21-29
• 3.1 协同过滤技术概述21-23
• 3.2 协同过滤基本算法23-26
• 3.2.1 相似度度量方法23-25
• 3.2.2 项目推荐的常用方法25-26
• 3.3 协同过滤技术面临的瓶颈26-28
• 3.4 本章小结28-29
• 第4章 传统协同过滤算法的改进设计与实验29-54
• 4.1 实验数据集及实验环境29-31
• 4.2 评价指标31-32
• 4.2.1 覆盖率31
• 4.2.2 准确性31-32
• 4.3 评估矩阵构建32-40
• 4.3.1 现有构建评估矩阵的方法32-33
• 4.3.2 层次填充法构建评估矩阵33-35
• 4.3.3 实验分析35-40
• 4.4 处理推荐项目40-46
• 4.4.1 现有项目推荐公式40-41
• 4.4.2 一种新的推荐公式41-42
• 4.4.3 实验分析42-46
• 4.5 改进后的算法在进一步稀疏矩阵中的实验分析46-48
• 4.5.1 实验数据集47
• 4.5.2 实验分析47-48
• 4.6 RF/IRF_SVD算法48-52
• 4.6.1 算法描述49-51
• 4.6.2 实验分析51-52
• 4.7 本章小结52-54
• 第5章 出版物信息服务系统推荐子系统的设计与实现54-60
• 5.1 系统结构54-55
• 5.2 数据库表结构55-56
• 5.3 推荐模型56-59
• 5.4 本章小结59-60
• 第6章 总结与展望60-62
• 6.1 总结60
• 6.2 展望60-62
• 致谢62-63
• 参考文献63-66
• 攻读学位期间的研究成果66

【引证文献】

中国期刊全文数据库 前1条

1 王丽丽;;基于信任机制的电子商务个性化推荐技术研究[J];电子商务;2011年12期

中国硕士学位论文全文数据库 前7条

1 肖丹萍;基于用户特征和偏好的协同过滤推荐算法[D];暨南大学;2011年

2 陶沙;基于相似云及兴趣自适应算法的推荐系统研究[D];天津财经大学;2011年

3 胡晓欣;技术转移网络化新模式的设计与应用[D];华南理工大学;2011年

4 屈婷婷;电子商务系统中Web数据挖掘技术的研究与实现[D];电子科技大学;2011年

5 龚勇龙;基于关联规则的多样化推荐技术应用研究[D];暨南大学;2012年

6 王颖;基于关联规则的电子商务个性化推荐模型研究[D];东北财经大学;2012年

7 朱帅;基于微博引用的个性化推荐[D];北京邮电大学;2013年

，

本文编号：822365