協(xié)同過濾技術(shù)在電子商務(wù)推薦系統(tǒng)中的應(yīng)用與研究.pdf

1、近年來，電子商務(wù)個性化推薦系統(tǒng)在網(wǎng)絡(luò)上獲得了普遍的成功，協(xié)同過濾是其中應(yīng)用最為廣泛的個性化推薦技術(shù)。但是當(dāng)前的電子商務(wù)推薦系統(tǒng)在實際運用中還相當(dāng)不成熟，仍然存在許多問題，如推薦質(zhì)量受到稀疏的用戶評價數(shù)據(jù)的嚴重影響，系統(tǒng)的可擴展性能差，推薦缺乏多樣性無法涵蓋用戶的完整興趣。同時，網(wǎng)上有效信息的數(shù)量和商品的種類的急速增長對推薦系統(tǒng)提出了嚴峻挑戰(zhàn)。 本文研究了個性化推薦系統(tǒng)及其主要的推薦技術(shù)，特別是協(xié)同過濾技術(shù)，包括基于用戶的協(xié)同過濾

2、技術(shù)和基于項目的協(xié)同過濾技術(shù)。本文所做的主要工作及創(chuàng)新體現(xiàn)在下面的四個方面： 本文在協(xié)同過濾算法的計算用戶間相似度階段，提出了一種基于用戶興趣變化的協(xié)同過濾的改進算法。算法考慮了用戶評價時間的影響，改進了傳統(tǒng)的用戶間相似度的計算方法，從而得到最有效的目標用戶最近鄰居。 另外，在推薦系統(tǒng)中尋找目標用戶最有效鄰居方面，本文利用用戶的屬性特征對用戶進行聚類。先找到目標用戶所在的聚類簇，然后在這個聚類簇中利用改進的用戶相似度量方

3、法尋找目標用戶的最近鄰居。 在預(yù)測階段，本文利用能使改進算法達到最低MAE值(推薦評價標準)的最近鄰居來預(yù)測用戶未評分項目的評分，并且通過實驗驗證了這種方法比單純用基于用戶的協(xié)同推薦算法具有更高的推薦質(zhì)量。 在推薦階段本文采用了多模型推薦方法。另外，系統(tǒng)采用眾數(shù)法解決推薦系統(tǒng)中冷啟動(新項目和新用戶)問題，提高了推薦系統(tǒng)的推薦質(zhì)量。 仿真實驗表明：改進的協(xié)同過濾推薦算法比傳統(tǒng)的協(xié)同過濾推薦算法具有更好的推薦效果。