电子商务协同过滤推荐算法的优化研究

发布时间：2017-03-28 14:13

  本文关键词：电子商务协同过滤推荐算法的优化研究，，由笔耕文化传播整理发布。

【摘要】：在迅猛发展的开放的网络环境下,基于浏览器/服务器应用方式的电子商务也得到了空前发展,不出去就可以买到自己想要的商品,这种便利使消费者越来越倾向于网上购物。电子商务模式显示了巨大的现代商业价值。特别是网络购物以其便捷,快速的特点成为了人们的一种时尚和潮流。但是人们在享受越来越多的便捷时也面临着网络信息过载的困扰。如何在不断增长的网络信息中准确快速地找到用户所需要的信息呢,个性化推荐系统的出现解决了这个问题,而协同过滤推荐系统作为一种个性化推荐系统脱颖而出。但是网络数据量的不断增多,协同过滤推荐系统自身的缺陷逐渐暴露出来,例如稀疏性,冷启动和时效性等问题。为改善协同过滤算法本身存在的这些问题,使其推荐效果得到进一步提高,本文对稀疏性、时效性和冷启动问题进行了优化。具体工作的主要包括以下几方面:协同过滤推荐算法稀疏性问题和实时性问题优化方法:协同过滤推荐系统是以用户项目评分矩阵为基础进行推荐的,矩阵的稀疏性成为影响协同过滤算法推荐效果的关键问题。针对数据稀疏性问题提出了一种基于项目属性相似性的矩阵填充方法。电子商务中的商品都存在一些本身的属性,这些属性信息之间的相似性可以在线或离线计算出来,通过找到未评分项目的相似邻居项目,预测用户对未评分项目的评分来实现填充,用于解决稀疏性问题。在稠密的矩阵基础上运用基于用户的协同过滤算法实现对目标用户的推荐。为进一步提高推荐质量,最终的推荐中又分析了时效性问题,推荐函数中加入了时间权重。协同过滤推荐算法冷启动问题优化方法:传统的协同过滤算法存在冷启动问题,推荐系统中的新用户或新项目往往因为缺乏评分信息不能得到有效地推荐,降低了整个系统的推荐质量。针对这种情况,提出了基于蚁群算法和结合用户或项目内容信息的优化方法。首先对现有用户或项目进行聚类,聚类后成为很多个具有相似属性的聚类簇。新用户或新项目没有任何评分的情况下,利用蚁群算法中?和?两个启发式因子的特殊取值结合新用户或新项目的内容信息找到对应的相似簇,根据所属类别簇中的平均信息实现对新用户或新项目的推荐。实验结果表明:通过仿真结果的实验比较,本文优化算法的平均绝对偏差MAE都是最低的,优化算法对解决协同过滤推荐算法的推荐质量起到一些作用。
【关键词】：电子商务 协同过滤 矩阵填充 蚁群算法 聚类分析
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-12
• 1.2.1 电子商务推荐系统11-12
• 1.2.2 协同过滤推荐系统12
• 1.3 论文结构安排12-13
• 1.4 本章小结13-15
• 第2章 电子商务中协同过滤推荐技术简介15-30
• 2.1 电子商务推荐系统概念与构成15-17
• 2.1.1 电子商务推荐系统的组成15-16
• 2.1.2 电子商务推荐系统的研究内容16-17
• 2.2 电子商务推荐系统的几种推荐技术17-20
• 2.2.1 基于内容的推荐技术17-18
• 2.2.2 基于规则的推荐技术18
• 2.2.3 基于知识的推荐技术18
• 2.2.4 基于协同过滤的推荐技术18-20
• 2.2.5 混合推荐技术20
• 2.3 电子商务中协同过滤技术的研究与分析20-27
• 2.3.1 传统协同过滤算法综述20-23
• 2.3.2 基于用户(User-Based)的协同过滤推荐算法23-24
• 2.3.3 基于项目(Item-Based)的协同过滤算法24-25
• 2.3.4 协同过滤算法存在的问题及常用优化方法25-27
• 2.4 典型个性化推荐系统27-29
• 2.4.1 淘宝推荐系统27-28
• 2.4.2 豆瓣的推荐引擎28-29
• 2.5 本章小结29-30
• 第3章 协同过滤推荐算法数据稀疏性问题的优化研究30-35
• 3.1 基于项目属性相似性的矩阵填充30-32
• 3.2 基于时间加权的协同过滤算法32-33
• 3.3 基于矩阵填充和加入时间权重函数的推荐33-34
• 3.4 改进算法的实现步骤34
• 3.5 本章小结34-35
• 第4章 协同过滤推荐算法冷启动问题的优化研究35-45
• 4.1 蚁群算法35-37
• 4.1.1 蚁群算法基本原理35-37
• 4.1.2 蚁群算法的特点37
• 4.2 基于蚁群算法的用户聚类37-41
• 4.2.1 聚类综述37-38
• 4.2.2 基于蚁群算法的用户聚类实现38-41
• 4.3 基于蚁群算法的冷启动新用户问题的处理41-43
• 4.4 基于蚁群算法的冷启动新项目问题处理43-44
• 4.5 本章小结44-45
• 第5章 实验设计及结果分析45-50
• 5.1 数据集和实验平台45
• 5.2 评价标准45-46
• 5.3 实验结果与分析46-49
• 5.3.1 不同稀疏程度下各种算法的推荐效果比较46
• 5.3.2 基于矩阵填充和加入时间权值前后的算法比较46-47
• 5.3.3 基于蚁群原理的优化算法与其他算法的比较47-49
• 5.4 本章小结49-50
• 结论50-51
• 致谢51-52
• 参考文献52-56
• 作者简介56
• 攻读硕士期间发表论文和参加科研情况说明56-57

【参考文献】

中国期刊全文数据库 前10条

1 龚安;高云;高洪福;;一种基于项目属性评分的协同过滤推荐算法[J];计算机工程与科学;2015年12期

2 硕良勋;柴变芳;张新东;;基于改进最近邻的协同过滤推荐算法[J];计算机工程与应用;2015年05期

3 文俊浩;舒珊;;一种改进相似性度量的协同过滤推荐算法[J];计算机科学;2014年05期

4 彭石;周志彬;王国军;;基于评分矩阵预填充的协同过滤算法[J];计算机工程;2013年01期

5 吴月萍;王娜;马良;;基于蚁群算法的协同过滤推荐系统的研究[J];计算机技术与发展;2011年10期

6 陈志敏;姜艺;;综合项目评分和属性的个性化推荐算法[J];微电子学与计算机;2011年09期

7 孟非;李静宜;朱人杰;;蚁群算法中蚂蚁更新方法之研究[J];计算机工程与应用;2011年25期

8 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

9 吉蕴;;逻辑斯蒂模型及其应用[J];潍坊高等职业教育;2009年02期

10 陈梅兰;王正友;;蚁群算法的试验分析与参数选择[J];矿山机械;2008年04期

中国博士学位论文全文数据库 前1条

1 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

中国硕士学位论文全文数据库 前10条

1 袁利;基于聚类的协同过滤个性化推荐算法研究[D];华中师范大学;2014年

2 刘晋佩;融合蚁群算法的用户浏览路径推荐系统研究[D];厦门大学;2014年

3 皮佳明;基于用户兴趣变化的协同过滤推荐算法研究[D];云南财经大学;2014年

4 张鑫;优化的蚁群算法及其在电力系统中的应用[D];吉林大学;2013年

5 黄乔;电子商务推荐系统中协同过滤算法的改进与研究[D];中北大学;2013年

6 刘亮;基于势场蚁群算法的移动机器人路径规划研究[D];南昌大学;2013年

7 宋锦娟;一种改进的蚁群算法及其在最短路径问题中的应用[D];中北大学;2013年

8 朱丽中;协同过滤系统的冷启动问题研究[D];大连理工大学;2013年

9 程飞;基于用户相似性的协同过滤推荐算法研究[D];北京交通大学;2012年

10 王桂芬;电子商务个性化推荐系统中协同过滤算法的研究与应用[D];南昌大学;2012年

  本文关键词：电子商务协同过滤推荐算法的优化研究，由笔耕文化传播整理发布。

本文编号：272421