协同过滤技术及其在电子商务推荐领域的应用研究

论文摘要

随着互联网的普及和电子商务应用的广泛深入,人们在享受网上购物便捷性的同时也陷入了信息过载的困境,用户在大量的产品信息中难以找到自己需要的商品。因此,电子商务推荐系统应运而生。本文对电子商务推荐系统进行了较深入的研究,详细分析了各种个性化推荐技术在电子商务推荐领域的应用现状和前景。在此基础之上,重点研究了电子商务推荐领域的主流技术--协同过滤技术。在详细分析传统的基于项目的（Item-Based）协同过滤算法存在的问题的基础上,提出了一个新的基于项目关联性评分预测的协同过滤算法IAPCF。区别于传统的算法,IAPCF算法不是根据项目之间的相似度,而是根据项目之间的关联规则来寻找项目的最近邻居集合。实验结果表明,IAPCF算法比传统的基于项目的协同过滤算法具有更好的推荐精度。随着电子商务网站规模的增长,基于用户的（User-Based）协同过滤算法存在较严重的数据稀疏性问题,使得用户之间相似度的计算结果不准确,导致推荐质量急剧下降。本文结合上述提出的新算法IAPCF对此进行了改进。改进后的算法IAPCF-UB与传统算法的不同之处在于:在形成用户邻居阶段,计算用户间相似度时,先利用IAPCF算法,根据两两用户间评分项目的并集,预测用户对并集中未评分项目的评分,增加用户之间共同评分的项目数,从而可以解决用户-项目评分矩阵的极端稀疏性,使得计算得到的目标用户的最近邻居更加准确,从而提高算法的推荐精度。实验结果表明,在面对稀疏数据集时,改进算法IAPCF-UB相比于传统的基于用户的协同过滤算法能显著提高推荐质量。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外相关研究综述
• 1.2.1 推荐技术的研究现状
• 1.2.2 协同过滤技术的研究现状
• 1.3 主要研究方法与内容安排
• 1.4 本文的主要创新之处
• 2 电子商务推荐系统及其推荐技术
• 2.1 推荐系统概述
• 2.1.1 信息过载与信息检索、信息过滤
• 2.1.2 推荐系统概念
• 2.1.3 推荐与个性化推荐
• 2.2 电子商务推荐系统概述
• 2.2.1 电子商务推荐系统的概念
• 2.2.2 电子商务推荐系统的作用
• 2.2.3 电子商务推荐系统的分类
• 2.3 电子商务推荐系统的结构
• 2.3.1 输入功能模块
• 2.3.2 推荐处理模块
• 2.3.3 输出功能模块
• 2.4 个性化推荐技术在电子商务推荐领域的应用分析
• 2.4.1 基于规则的推荐技术
• 2.4.2 基于内容过滤的推荐技术
• 2.5 本章小结
• 3 面向电子商务推荐的协同过滤技术
• 3.1 协同过滤的概念
• 3.2 协同过滤的原理及应用
• 3.3 协同过滤算法
• 3.3.1 基于用户的协同过滤算法
• 3.3.2 基于项目的协同过滤算法
• 3.4 本章小结
• 4 一种新的基于项目的协同过滤算法IAPCF
• 4.1 传统的基于项目的协同过滤算法存在的问题
• 4.2 一种新的协同过滤算法IAPCF
• 4.2.1 关联规则挖掘概述
• 4.2.2 基于用户-项目评分矩阵的关联规则挖掘
• 4.2.3 基于项目关联性的预测计算
• 4.3 IAPCF算法与传统算法的对比示例
• 4.4 本章小结
• 5 基于用户的协同过滤算法的改进
• 5.1 传统相似性度量方法的缺陷
• 5.2 结合IAPCF评分预测对基于用户的协同过滤算法的改进
• 5.2.1 IAPCF-UB算法的基本思想
• 5.2.2 IAPCF-UB算法的处理流程
• 5.2.3 IAPCF-UB算法描述
• 5.3 本章小结
• 6 IAPCF和IAPCF-UB算法的测试与效果评价
• 6.1 推荐算法的效果评价
• 6.1.1 离线评价方式
• 6.1.2 在线评价方式
• 6.2 数据集
• 6.3 实验设计
• 6.3.1 实验数据集处理
• 6.3.2 实验内容
• 6.3.3 实验测试方案
• 6.3.4 编程实现
• 6.4 实验结果及分析
• 6.4.1 相似性度量标准比较
• 6.4.2 IAPCF算法和传统的基于项目的协同过滤算法的推荐精度比较
• 6.4.3 IAPCF-UB算法和传统的基于用户的协同过滤算法的推荐精度比较
• 6.5 本章小结
• 7 总结与展望
• 7.1 本文主要内容的总结
• 7.2 研究展望
• 致谢
• 参考文献
• 附录A
• 附录B