基于Web使用挖掘的協(xié)同過濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展、電子商務(wù)應(yīng)用的不斷普及,越來越多的信息充斥在互聯(lián)網(wǎng)之上。面對如此多的資源,如何快速找到自己真正所需要的信息,成為眾多研究學(xué)者、理論專家和網(wǎng)絡(luò)用戶關(guān)心的關(guān)鍵問題之一。在這樣的環(huán)境下,推薦系統(tǒng)應(yīng)運(yùn)而生。
　　 實(shí)現(xiàn)個(gè)性化推薦的具體技術(shù)有很多種,其中協(xié)同過濾推薦是當(dāng)前電子商務(wù)環(huán)境下應(yīng)用最成功和廣泛的推薦技術(shù)之一。然而隨著站點(diǎn)結(jié)構(gòu)、內(nèi)容復(fù)雜度和用戶數(shù)目的不斷增長,協(xié)同過濾推薦算法也遇到了實(shí)時(shí)性、數(shù)據(jù)稀疏性、可擴(kuò)

2、展性等種種問題。
　　 傳統(tǒng)的協(xié)同過濾推薦系統(tǒng)都要求用戶對項(xiàng)目進(jìn)行評分,這樣往往會(huì)打斷用戶的瀏覽過程,甚至影響到用戶的情緒;另外相當(dāng)多的用戶不愿意評分,導(dǎo)致評分?jǐn)?shù)據(jù)集的極端稀疏。在這種情況下,本文將提出一種基于Web使用挖掘的用戶-項(xiàng)矩陣模型的構(gòu)建方法。該方法通過對Web日志進(jìn)行有效的數(shù)據(jù)挖掘,發(fā)掘隱藏在日志背后的用戶、項(xiàng)目、訪問時(shí)間和訪問次數(shù)等信息來獲取用戶評分值,在不影響用戶正常瀏覽的情況下完成了數(shù)據(jù)的收集。因?yàn)橛脩魧撁娴?/p>

3、瀏覽覆蓋率比用戶對頁面的顯式評分要更加真實(shí)客觀,所以相對于傳統(tǒng)的數(shù)據(jù)集,本文提出的方法所收集到的數(shù)據(jù)要全面得多。
　　 針對傳統(tǒng)協(xié)同過濾的實(shí)時(shí)性和數(shù)據(jù)稀疏性問題,本文將提出一種改進(jìn)的協(xié)同過濾推薦算法。其基本思想是:在原始數(shù)據(jù)集中結(jié)合用戶間和項(xiàng)目間的雙向信息,即利用用戶的最近鄰和項(xiàng)目的最近鄰對未評分項(xiàng)目進(jìn)行協(xié)同式的平滑處理,以降低矩陣的稀疏程度,解決推薦算法的稀疏性問題。在此基礎(chǔ)上,運(yùn)用數(shù)據(jù)挖掘領(lǐng)域的聚類算法對系統(tǒng)中所有用戶進(jìn)行用

4、戶聚類,盡可能地把相似的用戶聚在同一個(gè)用戶類中,而把不相似的用戶聚到不同的用戶類中,這一步可采用離線周期進(jìn)行。在線推薦時(shí),只需要計(jì)算目標(biāo)用戶與各個(gè)用戶聚類簇中心的相似性,然后在最相似的前若干個(gè)聚類簇中查找目標(biāo)用戶的最近鄰,最后根據(jù)目標(biāo)用戶的最近鄰居集的信息對各個(gè)項(xiàng)目進(jìn)行評分預(yù)測,向目標(biāo)用戶提供推薦。這樣縮小了搜索鄰居的范圍,提高了推薦算法的實(shí)時(shí)性。
　　 最后通過實(shí)驗(yàn)對改進(jìn)的協(xié)同過濾算法進(jìn)行了測試,驗(yàn)證了算法的合理性和有效性,進(jìn)