基于内容聚类的网上书城推荐算法研究

发布时间：2020-08-19 13:50

【摘要】：随着科学技术的迅猛发展,互联网信息同样呈现出爆炸式的递增趋向,出现了海量的数据,加大了信息的过载压力?协同过滤推荐作为运用范围最广的一种推荐方法,是当下的一个研究热点,但是,推荐的精度不够高?冷启动以及可拓展性欠佳等情况仍旧影响协同过滤计算方法的精确度?因而,学术界去挖掘出更为科学?合理的协同过滤推荐算法?论文正是据此展开基于内容聚类的推荐算法研究?本论文总结推荐算法的相关理论,分析内容推荐的优缺点及协同过滤的优缺点?展开内容特征的提取,基于TF-IDF的内容关键词提取和商品评价矩阵到内容评价的转换。内容特征的提取给出实例,用网络爬虫技术获取有效信息。对有效信息进行关键词的提取,加权,对书籍的评价转换为内容偏好的矩阵。提出基于聚类分析的协同过滤算法,聚类分析的一般步骤,基于K-means算法的聚类分析,进行相似度的计算与推荐结果生成。为用户推荐商品,相似度的计算,新样本加入改变簇中心,加权计算排序,选择合适的商品。重点用户基于内容聚类,显示出用户对商品特征的偏好,根据特征偏好对用户进行聚类。最后,对推荐功能实验过程描述,从内容特征的提取到聚类最后推荐,数据集的分析,根据网上书城的数据进行筛选。对网上书城推荐的实验结果表明,本文的推荐方法提高了推荐的准确度。
【学位授予单位】：渤海大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;F713.36
【图文】：

构造图,子树,表格结构,网络产品

BODYTABLE#1 TABLE#2TR#1 TR#2TD#1 TD#2 TD#3图 3 表格结构的网络产品 DOM 子树构造图Fig 3 Tabular web product DOM subtree construct diagram在产品的评价内容中，不同的主题所对应的<TABLE>是具有区别的，其根本产品都具有与之相对应的独立<TABLE>，并且所的 DOM 子树所处的节点都是具的，即全部处于<DIV>节点下。

关键词,热点,礼物,评价矩阵

图 5 书籍的热点关键词Fig 5 Books of hot keywords图中可以看出《时间的礼物》这本书籍的关键词对书籍推荐的影响，可以看籍的评价中权重比较大的关键词{故事，时间，礼物，父子}。品评价矩阵到内容评价矩阵的转换文 3.3 表示了任意客户对于任意商品的评价向量和评价矩阵，即商品评价矩1,1 1,2 1,2,1,1 ,nm m np p ppPp p = 中P 的取值为{1,2,3,4,5}。该评价矩阵用以描述商品评价存在两个问题，一确的针对性，即只能反映用户对于某种类型商品的潜在购买意愿；二是书城

分析算法,整体结构,用户群体

图 6 基于聚类分析算法的整体结构Fig 6 The overall structure of clustering analysis algorithm类分析推荐算法实施步骤图能够看到，在进行基于内容的产品排序推荐的过程中能够采用两种结种分支的特点主要为用户侧的分类与产品相似度计算，在以往历史购买进行预测。整体流程结构具体表现为：对不同产品的预测评分。在进行预测评分前需要根据用户的购买意愿分类，然后预测根据不同用户群体对不同产品的评价，对不同用户群体行性分析，通过评分形式来将其量化处理。具体架构如图 7 所示：

【相似文献】