

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著互聯網技術的不斷發(fā)展、電子商務應用的不斷普及,越來越多的信息充斥在互聯網之上。面對如此多的資源,如何快速找到自己真正所需要的信息,成為眾多研究學者、理論專家和網絡用戶關心的關鍵問題之一。在這樣的環(huán)境下,推薦系統應運而生。
實現個性化推薦的具體技術有很多種,其中協同過濾推薦是當前電子商務環(huán)境下應用最成功和廣泛的推薦技術之一。然而隨著站點結構、內容復雜度和用戶數目的不斷增長,協同過濾推薦算法也遇到了實時性、數據稀疏性、可擴
2、展性等種種問題。
傳統的協同過濾推薦系統都要求用戶對項目進行評分,這樣往往會打斷用戶的瀏覽過程,甚至影響到用戶的情緒;另外相當多的用戶不愿意評分,導致評分數據集的極端稀疏。在這種情況下,本文將提出一種基于Web使用挖掘的用戶-項矩陣模型的構建方法。該方法通過對Web日志進行有效的數據挖掘,發(fā)掘隱藏在日志背后的用戶、項目、訪問時間和訪問次數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據的收集。因為用戶對頁面的
3、瀏覽覆蓋率比用戶對頁面的顯式評分要更加真實客觀,所以相對于傳統的數據集,本文提出的方法所收集到的數據要全面得多。
針對傳統協同過濾的實時性和數據稀疏性問題,本文將提出一種改進的協同過濾推薦算法。其基本思想是:在原始數據集中結合用戶間和項目間的雙向信息,即利用用戶的最近鄰和項目的最近鄰對未評分項目進行協同式的平滑處理,以降低矩陣的稀疏程度,解決推薦算法的稀疏性問題。在此基礎上,運用數據挖掘領域的聚類算法對系統中所有用戶進行用
4、戶聚類,盡可能地把相似的用戶聚在同一個用戶類中,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行。在線推薦時,只需要計算目標用戶與各個用戶聚類簇中心的相似性,然后在最相似的前若干個聚類簇中查找目標用戶的最近鄰,最后根據目標用戶的最近鄰居集的信息對各個項目進行評分預測,向目標用戶提供推薦。這樣縮小了搜索鄰居的范圍,提高了推薦算法的實時性。
最后通過實驗對改進的協同過濾算法進行了測試,驗證了算法的合理性和有效性,進
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于評論挖掘的協同過濾推薦算法研究.pdf
- 基于用戶協同過濾推薦算法的研究.pdf
- 基于協同過濾技術的推薦算法研究.pdf
- 基于協同過濾的圖書推薦算法研究.pdf
- 基于協同過濾技術的推薦算法研究
- 基于SVD的協同過濾推薦算法研究.pdf
- 基于協同過濾的器件推薦算法研究.pdf
- 協同過濾推薦算法研究.pdf
- 基于協同過濾的圖書推薦算法研究
- 基于MapReduce的協同過濾推薦算法研究.pdf
- 基于時序行為挖掘和隱私保護的協同過濾推薦算法研究.pdf
- 協同過濾推薦算法改進研究.pdf
- 新型協同過濾推薦算法研究.pdf
- 基于雙邊匹配的協同過濾推薦算法.pdf
- 基于用戶興趣的協同過濾推薦算法研究.pdf
- 基于大數據的協同過濾推薦算法研究.pdf
- 基于用戶行為協同過濾推薦算法.pdf
- 基于矩陣分解的協同過濾推薦算法研究.pdf
- 基于遷移學習的協同過濾推薦算法研究.pdf
- 基于時間權重的協同過濾推薦算法研究.pdf
評論
0/150
提交評論