协同过滤算法在电子商务推荐系统的研究

发布时间：2017-09-22 10:08

  本文关键词：协同过滤算法在电子商务推荐系统的研究

  更多相关文章： 智能化服务 推荐系统 朴素贝叶斯 协同过滤 用户相似度 用户聚类

【摘要】：随着网络信息化服务的飞跃式发展,商品与服务等领域的电子海量数据,在给用户提供更多信息服务的同时,也让用户迷失在电子信息的海洋之中,无法准确地找到自己想要的信息,作为智能化服务的推荐系统已经成为信息个性化推荐技术的重要表现形式,在电子商务等信息化服务中具在不可替代的作用。对电子商务推荐模块的研究,具有良好的应用前景和实用价值。 本文在研究电子商务领域中广泛应用的个性化推荐系统的基础上,对推荐系统中各种推荐技术进行研究,结合各种推荐技术的优缺点,着重研究协同过滤技术的填充模型,针对协同过滤中存在的数据极端稀疏、相似准确度问题进行研究,提出一种基于模型填充的混合协同过滤算法,并将之应用于电子商务推荐模块。 对填充模型的研究,本文主要提出了两种填充策略,首先,利用朴素贝叶斯方法对用户项目属性进行概率统计,建立特征属性预测表,即相应的贝叶斯模型,结合项目相似度的项目模型,建立由贝叶斯模型和项目模型结合的填充策略；其次,基于用户聚类和项目聚类,结合用户聚类的(用户组,项目)评分矩阵和项目聚类建立的(用户,项目组)评分矩阵来对(用户,项目)稀疏评分矩阵进行填充的聚类填充策略。实验结果表明,基于填充模型的协同过滤算法对传统过滤算法有更好的性能,在用户相似度以及项目相似度的准确度上有较大的提高,从而提高了推荐的准确度；针对不同的数据源进行建模,有效地改善了推荐系统数据的单一性,将基于内容的推荐技术与基于评分的推荐技术有效地整合在填充模型中,改善了推荐系统对评分数据的过度依赖,提高了推荐系统的健壮性。
【关键词】：智能化服务 推荐系统 朴素贝叶斯 协同过滤 用户相似度 用户聚类
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-7
• 目录7-9
• 1 绪论9-14
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状以及存在的问题10-13
• 1.2.1 研究现状10-12
• 1.2.2 推荐系统中存在问题12-13
• 1.3 研究内容与论文结构安排13-14
• 1.3.1 研究内容13
• 1.3.2 结构安排13-14
• 2 个性化电子商务推荐系统14-19
• 2.1 电子商务推荐系统简介14-15
• 2.2 电子商务推荐系统的分类15-17
• 2.3 推荐系统的结构框架17-19
• 3 各种推荐技术在电子商务推荐系统中的应用19-30
• 3.1 基于关联规则的推荐算法19-21
• 3.2 基于内容的推荐算法21-22
• 3.3 协同过滤推荐算法22-25
• 3.3.1 协同过滤的一般步骤23-24
• 3.3.2 两种基本的协同过滤算法24
• 3.3.3 协同过滤技术存在的问题24-25
• 3.4 基于知识推荐算法25-26
• 3.5 基于效用的推荐算法26
• 3.6 混合推荐算法26-30
• 4 基于模型填充的混合协同过滤推荐系统30-42
• 4.1 模型构建基础30-31
• 4.2 基于贝叶斯模型和项目模型的矩阵填充策略31-34
• 4.2.1 构建贝叶斯模型31-32
• 4.2.2 构建项目模型32-34
• 4.3 基于用户和项目聚类模型的填充策略34-39
• 4.3.1 Refined k-means聚类算法35-36
• 4.3.2 建立用户聚类模型36-38
• 4.3.3 建立项目聚类模型38
• 4.3.4 基于用户和项目聚类的填充方法38-39
• 4.4 相似度计算39-40
• 4.4.1 用户相似度和项目相似度计算39-40
• 4.4.2 改进用户相似度USim(a,u)和项目相似度ISim(i,j)40
• 4.5 邻居选择与评分预测40-42
• 5 实验结果及评价42-48
• 5.1 数据集的选取及度量标准42-43
• 5.1.1 实验平台42
• 5.1.2 数据集42-43
• 5.1.3 度量标准43
• 5.2 实验结果及其分析43-48
• 5.2.1 实验结果43-46
• 5.2.2 实验结果分析46-48
• 6 结束语48-49
• 6.1 论文总结48
• 6.2 以后要做的工作48-49
• 参考文献49-52
• 致谢52-53
• 个人简历、在学期间发表的学术论文与研究成果53

【相似文献】

中国期刊全文数据库 前10条

1 王志军;岳训;付冬菊;苗良;;基于Web投票机制的免疫协同过滤推荐技术研究[J];农业网络信息;2010年01期

2 游文;叶水生;;电子商务推荐系统中的协同过滤推荐[J];计算机技术与发展;2006年09期

3 胡慧蓉;;电子商务个性化推荐系统分析与设计[J];科技创新导报;2009年08期

4 赵宏霞;王新海;杨皎平;;基于用户和项目因子分析的混合协同推荐算法[J];计算机应用;2011年05期

5 孙小华;陈洪;孔繁胜;;在协同过滤中结合奇异值分解与最近邻方法[J];计算机应用研究;2006年09期

6 顾晔;吕红兵;;改进的增量奇异值分解协同过滤算法[J];计算机工程与应用;2011年11期

7 李超然,徐雁斐,张亮;协同推荐pLSA模型的动态修正[J];计算机工程;2005年20期

8 张李义;罗惠恒;;基于协同过滤的WhuRecomm推荐系统的设计与实现[J];武汉大学学报(工学版);2006年06期

9 刘鲁;任晓丽;;推荐系统研究进展及展望[J];信息系统学报;2008年01期

10 王惠敏;聂规划;;基于模糊聚类和资源平滑的协同过滤推荐[J];情报杂志;2007年07期

中国重要会议论文全文数据库 前10条

1 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

2 谢科;刘奕群;岑荣伟;马少平;茹立云;杨磊;;基于维基百科层次分类框架的主题推荐系统的研究[A];中国计算语言学研究前沿进展（2009-2011）[C];2011年

3 汤显;郭景峰;高英飞;;基于类别相似性的增量协同过滤推荐算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

4 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[A];第三届学生计算语言学研讨会论文集[C];2006年

6 何发镁;冯勇;许榕生;王旭仁;;推荐系统安全问题研究综述[A];第13届全国计算机、网络在现代科学技术领域的应用学术会议论文集[C];2007年

7 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

8 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

9 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

10 王茜;张卫星;;基于分类树相似度加权的协同过滤算法[A];2008年计算机应用技术交流会论文集[C];2008年

中国重要报纸全文数据库 前10条

1 本报记者 冯卫东;网络导购：找出你的最爱[N];科技日报;2007年

2 林嘉澍;从搜索到发现[N];经济观察报;2007年

3 商报记者 金朝力;奇艺推3套推荐引擎抢夺视频新制高点[N];北京商报;2011年

4 饶宇锋;微软策动互联网跨越搜索时代[N];财经时报;2007年

5 熊明华;九江人才市场打造就业“助推器”[N];中国人事报;2006年

6 镡立勇;2007年度省科技奖推荐工作启动[N];河北经济日报;2007年

7 本报记者　 何小龙;委员履职：量化打分[N];江淮时报;2006年

8 薛求知;我们需要准确地理解西点军校[N];上海证券报;2007年

9 CPW华南区记者 伍羡妮;开放平台 移动商务乍现商机[N];电脑商报;2003年

10 刘溟;互联网　个性化营销最佳载体[N];经济日报;2004年

中国博士学位论文全文数据库 前10条

1 邓爱林;电子商务推荐系统关键技术研究[D];复旦大学;2003年

2 李涛;推荐系统中若干关键问题研究[D];南京航空航天大学;2009年

3 沈磊;心理学模型与协同过滤集成的算法研究[D];北京航空航天大学;2010年

4 张亮;推荐系统中协同过滤算法若干问题的研究[D];北京邮电大学;2009年

5 张寅;个性化技术及其在数字图书馆中应用的研究[D];浙江大学;2009年

6 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

7 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年

8 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

9 高e，

本文编号：900202