基于特征向量的個(gè)性化推薦算法研究.pdf

1、基于特征向量的個(gè)性化推薦算法研究重慶大學(xué)碩士學(xué)位論文學(xué)生姓名：杜定宇指導(dǎo)教師：王茜副教授專業(yè)：計(jì)算機(jī)軟件與理論學(xué)科門類：工學(xué)重慶大學(xué)計(jì)算機(jī)學(xué)院二O一一年四月重慶大學(xué)碩士學(xué)位論文中文摘要I摘要電子商務(wù)個(gè)性化推薦系統(tǒng)隨著Web2.0技術(shù)的迅猛發(fā)展得到了廣泛的關(guān)注和普及，為用戶在日益增長(zhǎng)的海量信息中發(fā)現(xiàn)自己所需要的信息提供了一種有效方法。電子商務(wù)網(wǎng)站使用電子商務(wù)推薦系統(tǒng)為用戶提供個(gè)性化服務(wù)，模擬銷售人員幫助用戶進(jìn)行購(gòu)買。電子商務(wù)個(gè)性化推薦系統(tǒng)

2、通過建立用戶與信息之間的二元關(guān)系，利用相似性從海量信息庫中挖掘目標(biāo)用戶可能感興趣的對(duì)象，其本質(zhì)是信息過濾，在理論和實(shí)踐中都得到了很大發(fā)展，已有多種推薦算法提出并得到應(yīng)用，包括基于人口統(tǒng)計(jì)學(xué)的推薦、基于內(nèi)容的推薦、協(xié)同過濾推薦以及由不同的推薦方法組合而成的混合推薦，其中協(xié)同過濾是最成功和得到最廣泛應(yīng)用的推薦方法。隨著電子商務(wù)規(guī)模的不斷擴(kuò)大，協(xié)同過濾方法遇到了一些挑戰(zhàn)：數(shù)據(jù)稀疏性、可擴(kuò)展性、冷開始問題等。本文對(duì)協(xié)同過濾推薦算法進(jìn)行了深入的研

3、究，提出了一種基于特征向量的協(xié)同過濾推薦算法，論文的主要研究工作及成果如下：①觀察用戶評(píng)分規(guī)律，研究已有評(píng)分一致性方法的優(yōu)勢(shì)和不足，提出了一種改進(jìn)的評(píng)分一致性方法，能夠有效解決用戶打分尺度不一致的問題。②傳統(tǒng)相似度度量方法直接在整個(gè)評(píng)分矩陣上度量對(duì)象之間的相似度，其精確度受到矩陣稀疏性的很大影響，也沒有考慮產(chǎn)品特征，因而推薦質(zhì)量不夠理想，實(shí)時(shí)性也較差，本文提出的基于特征向量的推薦算法使用統(tǒng)計(jì)分析技術(shù)掃描評(píng)分矩陣和產(chǎn)品特征得到用戶和產(chǎn)品的

4、配置文件，配置文件保存特征向量，并在此基礎(chǔ)上計(jì)算相似度，降低了計(jì)算復(fù)雜度，改善了數(shù)據(jù)的稀疏性，提高了推薦質(zhì)量。③對(duì)傳統(tǒng)推薦流程進(jìn)行了分析，找出不足并對(duì)其進(jìn)行改進(jìn)。優(yōu)化了部分步驟，減少了不必要的計(jì)算，進(jìn)一步提高了推薦的實(shí)時(shí)性。算法分為初始化、離線更新、在線三個(gè)階段執(zhí)行，初始化階段創(chuàng)建用戶和產(chǎn)品的配置文件并計(jì)算相互之間的相似度；離線更新階段使用不同的更新頻率來更新用戶與最近鄰用戶和全部其它用戶的相似度；在線階段使用改進(jìn)的推薦算法，不必掃描所