電子商務(wù)個(gè)性化推薦算法設(shè)計(jì)與實(shí)現(xiàn).pdf

1、電子商務(wù)系統(tǒng)在為用戶提供越來越多選擇的同時(shí)，商品信息過載現(xiàn)象越來越嚴(yán)峻，其結(jié)構(gòu)也變得日益復(fù)雜，用戶想要從商品海洋里迅速便捷地找到自己真正需要的商品越來越困難，于是電子商務(wù)個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。
　　 推薦算法是推薦系統(tǒng)中最核心的部分，在很大程度上決定了推薦系統(tǒng)性能的優(yōu)劣。協(xié)同過濾推薦根據(jù)與用戶興趣愛好相同或相似的其他用戶的評(píng)價(jià)產(chǎn)生推薦，個(gè)性化程度高，是目前應(yīng)用最廣泛、最成功的推薦技術(shù)，但它在實(shí)際應(yīng)用中還存在很多缺陷：如預(yù)測(cè)評(píng)分

2、中用戶相似性計(jì)算不準(zhǔn)確，實(shí)時(shí)性差、推薦精度不高等。
　　 本文針對(duì)推薦系統(tǒng)的實(shí)時(shí)性要求，提出了基于項(xiàng)目簇偏好的用戶聚類算法。該算法首先基于項(xiàng)目屬性對(duì)項(xiàng)目聚類，得到用戶對(duì)不同項(xiàng)目簇的偏好，然后利用K-means聚類算法對(duì)用戶進(jìn)行聚類，將相同或相似興趣的用戶分到同一類中，這樣可以找到離當(dāng)前用戶最近的幾個(gè)聚類，然后在這幾個(gè)聚類中搜尋最近鄰居，避免了在整個(gè)用戶群上搜尋，提高了實(shí)時(shí)響應(yīng)速度。
　　 K-means聚類算法由于隨機(jī)選

3、取初始聚類中心，這樣得到的聚類結(jié)果隨機(jī)性很大。本文將用戶在不同項(xiàng)目簇上的評(píng)價(jià)差異作為用戶距離，采用克魯斯卡爾(kmskal)算法生成初始聚類中心，使得初始中心靠近類中心，這樣得到的聚類更符合實(shí)際。
　　 針對(duì)傳統(tǒng)方法沒有考慮項(xiàng)目之間的內(nèi)容關(guān)系而影響推薦精度問題，本文提出了基于項(xiàng)目相關(guān)性的協(xié)同過濾算法。該算法首先將項(xiàng)目相似性引入到預(yù)測(cè)評(píng)分中的用戶相似性計(jì)算，避免了不相關(guān)項(xiàng)目對(duì)用戶相似性計(jì)算的干擾，其次，在預(yù)測(cè)評(píng)分中增加時(shí)間權(quán)限，使