基于协同过滤的电子商务推荐算法的研究

发布时间：2017-04-24 18:05

  本文关键词：基于协同过滤的电子商务推荐算法的研究，，由笔耕文化传播整理发布。

【摘要】：随着科学技术的发展,电子商务已经成为人们生活中必不可缺的一部分。人们享受着电子商务带来的便捷,但同时也陷入了信息过载的困境:在海量的产品信息中找到自己最需要的产品是一件耗时耗力的工作。这时急需一种新型电子商务系统解决信息过载问题,个性化推荐系统的出现,在一定程度上克服了这一难题。在众多电子商务个性化推荐算法中,协同过滤推荐算法是目前应用最广泛也最为成功的推荐技术之一。然而,传统的协同过滤算法存在很多的不足,尚有很大的提升空间。随着时间的推移,电子商务网站中用户的数量和商品的数目不断的增加,用户-项目评分矩阵会越来越稀疏。如果用户仅仅利用用户-项目评分矩阵或项目之间的相似度来计算,就会因为评分数据的稀疏性而得不到更高的精确度。因此,只利用用户的评分矩阵的协同过滤推荐算法的推荐质量将会下降。针对这个问题,本文提出将相似度与信任度相结合的协同过滤推荐算法。首先,我们利用用户的评分数据计算出原始的用户之间的相似度;然后利用用户-项目评分矩阵计算用户之间的信任度;最后把原始的相似度与信任度加权结合,形成一个新的相似度作为推荐的权重。相比较其他单独使用用户-项目评分矩阵计算而来的相似度作为推荐权重的算法而言,新的权重使得推荐矩阵更加稠密,同时可以匹配更多“邻居”。与只利用评分矩阵计算相似度的协同过滤推荐算法相比,新提出的方法获得的推荐矩阵更加稠密,准确度更高。针对目前推荐完全取决用户评分的情况,而忽略了用户对产品的情感评论部分,利用基于云模型的情感倾向对比算法,将用户的评论转化为分值,不同的情感形成不同的分值,近而形成情感倾向相似度。实验表明:采用情感相似度的协同过滤推荐算法具有一定的推荐准确性,在用户情感更加明确的情况下,该算法会拥有更好的性能。
【关键词】：电子商务 协同过滤 相似度 信任度 用户情感
【学位授予单位】：贵州师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要6-7
• ABSTRACT7-9
• 第一章 绪论9-16
• 1.1 研究背景9-10
• 1.2 研究意义10
• 1.3 国内外发展现状10-13
• 1.3.1 协同过滤推荐算法的国外研究现状11-12
• 1.3.2 国内研究现状12-13
• 1.4 研究内容13-14
• 1.5 论文结构14-16
• 第二章 电子商务推荐算法相关技术的概述16-28
• 2.1 推荐系统的概述16-18
• 2.2 基于协同过滤的推荐系统18-22
• 2.2.1 相似度计算方法20-21
• 2.2.2 项目分数预测公式21
• 2.2.3 协同过滤算法的优缺点21-22
• 2.3 基于信任的协同过滤推荐算法22-25
• 2.3.1 信任的概念22-23
• 2.3.2 信任的性质23
• 2.3.3 信任的分类23-25
• 2.4 基于模型的推荐系统25-28
• 2.4.1 基于聚类算法的模型25-26
• 2.4.2 网状贝叶斯模型26
• 2.4.3 基于关联规则的模型26-28
• 第三章 基于统计模型的协同过滤推荐算法28-34
• 3.1 基于统计模型的分类28-30
• 3.1.1 向域28-29
• 3.1.2 项目分类29-30
• 3.2 项目分数预测30-31
• 3.3 项目推荐31-32
• 3.3.1 对稀疏矩阵进行填充31
• 3.3.2 生成推荐31-32
• 3.4 实验及分析32-34
• 3.4.1 实验数据集32
• 3.4.2 测试标准32
• 3.4.3 实验结果及分析32-34
• 第四章 相似度与信任度相结合的协同过滤推荐算法34-41
• 4.1 信任度34-35
• 4.2 基于信任的协同过滤推荐算法的整体框架35
• 4.3 用户信任建模35-38
• 4.3.1 直接信任度建模36-37
• 4.3.2 间接信任度建模37-38
• 4.4 基于信任的协同过滤推荐算法具体步骤38-40
• 4.4.1 计算相似度38-39
• 4.4.2 计算信任度39
• 4.4.3 相似度与信任度结合39-40
• 4.4.4 生成最近邻居集合40
• 4.4.5 评分预测及推荐40
• 4.5 本章小结40-41
• 第五章 基于云模型的情感倾向对比推荐算法41-52
• 5.1 云模型41-43
• 5.1.1 云的定义41-42
• 5.1.2 云的发生42-43
• 5.2 用户评论的情感语料库43-44
• 5.3 推荐过程44-48
• 5.3.1 用户评论情感计算45
• 5.3.2 用户情感词倾向矩阵的表示45
• 5.3.3 基于云模型的用户情感向量45-46
• 5.3.4 相似度计算46-47
• 5.3.5 商品推荐47-48
• 5.4 实验及分析48-52
• 5.4.1 词频统计48-49
• 5.4.2 用户情感处理49-50
• 5.4.3 情感预测实验50-52
• 第六章 总结与展望52-53
• 参考文献53-56
• 研究生阶段的研究工作56-57
• 致谢57-58

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 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

4 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

5 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

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 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

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 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

中国博士学位论文全文数据库 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

3 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

4 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

5 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

6 高e

本文编号：324683