商品推荐系统中冷启动问题的研究及实现

发布时间：2021-08-11 06:10

　　本文首先介绍了个性化推荐系统（Recommendation System,以下简称RS）,介绍了协同过滤推荐算法及其局限性。接下来,针对基于物品的协同过滤（Item-CF）和基于用户的协同过滤算法（User-CF）实现算法改进。最后在实际需求的驱动下,把改进后的算法应用到基于微信小程序的商品推荐系统中。论文主要工作有以下几个方面:1.分析了Item-CF在新物品冷启动中出现的问题,提出结合用户历史偏好信息和新物品的相似物品集的方法来预测用户偏好并向用户推荐新物品。由于该方法结合了用户的历史记录和物品的特征信息,能够使新物品冷启动问题得到有效解决。2.对相似度度量方法进行改进,在物品的每个特征中加入权值。而权重因子大小是通过计算物品的每个特征对用户的不确定性来确定。物品对用户的不确定性应用信息论中的信息熵来计算,在信息熵中通过对物品特征进行量化,来计算物品特征的不确定性。在个性化推荐系统中,物品某个特征的不确定性越小,说明该物品特征对于用户的重要性越高。此方法为相似度计算提供更有效的解决方案,并且能够为商品找到更为合理的相似物品集。3.针对User-CF的时间瓶颈、扩展性以及准确性的问题... 

【文章来源】：天津理工大学天津市

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

中国网民规模早在计算机刚刚出现，信息过滤及检索就已经存在

RS 现如今在互联网行业已经成为一个提升竞争力不可获取的技术手段。在商品中，通过充分收集与挖掘用户历史行为，并进行分析之后，把用户最有可能购列表推送给用户。最终增加用户流量和利润。个性化推荐系统概述RS 对用户的历史行为进行充分提取，来提供个性化服务。该系统有时根据物排行来做出推荐，但这种方法在个性化方面比较差，并不能真正做到因人而异目前，大多数系统会由用户在使用网站过程中产生的历史行为来为用户建立个型进而完成对用户潜在购买商品的预测。不同于搜索引擎需要用户用几个很准来表达自己需要搜索到的东西，RS 不需要用户能够精准描述需求就可以形成给用户。目前 RS 广泛应用于各个领域，RS 能够为电商平台提供技术支持，提高消费者和留存度，进而促进消费，达到双方共赢。图 2-1 为网易云音乐和今日头条的荐页面。

同过滤推荐算法主要有基于用户的协同过滤（User-CF）[32]tem-CF）[33]。户的协同过滤关键思想是找到当前用户邻居用户[34]，综合邻居用户的偏好算目标用户同剩余用户相似度时，用户被一个包含其历史评分近邻的邻居群，根据邻居的喜好进行进一步推荐。以下图用户表 2-1 用户-物品表用户物品物品 A 物品 B 物品 C 物品 D用户 A √ √用户 B √用户 C √ √ √户-物品表示例，该表包含三个用户对四种物品的偏好选择荐，A 喜欢物品 A 和 C，C 喜欢物品 A,C,D。那么 A 的邻居是 D 给 A 推送。其推荐过程如下图所示。

【参考文献】：
期刊论文
[1]国外网络环境中信息过载研究进展[J]. 郭佳,黄程松.  情报科学. 2018(07)
[2]一种解决新项目冷启动问题的推荐算法[J]. 于洪,李俊华.  软件学报. 2015(06)
[3]基于轮廓系数的聚类有效性分析[J]. 朱连江,马炳先,赵学泉.  计算机应用. 2010(S2)
[4]区域土地利用结构的信息熵分异规律研究[J]. 谭永忠,吴次芳.  自然资源学报. 2003(01)
[5]基于条件信息熵的决策表约简[J]. 王国胤,于洪,杨大春.  计算机学报. 2002(07)



本文编号：3335612