电子商务个性化推荐系统的研究

论文摘要

随着互联网的高速发展,电子商务网站用户和商品项目数量的爆炸性增长,普通用户搜寻自己感兴趣的内容的成本和难度都提高了很多,在这种情况下,推荐系统应然而生。推荐系统不仅使用户在面对海量的商品信息时得到有价值的购买建议,同时也提高了网站的销售业绩,成为了电子商务网站的一种重要的营销工具。伴随着电子商务规模的不断扩大,推荐系统也面临着一系列挑战。本文对电子商务推荐系统及其相关技术进行了深入的探讨和研究,并详细分析了协同过滤推荐算法在应用过程中存在的问题及现有的解决方法,在此基础上提出了基于用户信用度的CPIP协同过滤。基于用户信用度的CPIP协同过滤的推荐思想是：首先本文对传统相似性度量方法的局限性进行了详细分析,在此基础上提出在用户评分数量大于30的情况下,把相似性分为用户对某类项目感兴趣的相似性和对某类项目不感兴趣的相似性,从而有利于形成准确的邻居用户；其次在推荐产生阶段,提出了用户信用度向量模型,并使其参与推荐产生,可以减少恶意评分的影响,提高推荐系统的预测质量。论文对提出的算法进行了详细的理论分析,并验证了推荐算法的合理性和有效性。最后,论文对研究内容进行了全面的总结,并展望了未来进一步的研究方向。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 推荐系统的研究现状
• 1.3 推荐系统面临的挑战
• 1.4 本文的主要研究工作
• 1.5 论文结构
• 第2章 电子商务推荐系统综述
• 2.1 电子商务推荐系统的分类
• 2.2 电子商务推荐系统的输入/输出方式
• 2.2.1 推荐系统的输入方式
• 2.2.2 推荐系统的输出方式
• 2.3 推荐系统的界面表现形式
• 2.4 推荐系统的相关技术
• 2.4.1 信息检索与信息过滤
• 2.4.2 数据挖掘
• 2.4.3 协同过滤
• 2.5 推荐系统实例介绍
• 2.6 本章小结
• 第3章 协同过滤推荐算法
• 3.1 协同过滤的基本原理以及分类
• 3.1.1 协同过滤的基本原理
• 3.1.2 协同过滤的分类
• 3.2 协同过滤算法
• 3.2.1 基于用户的协同过滤推荐算法（User-based）
• 3.2.2 基于项目的协同过滤推荐算法（Item-based）
• 3.3 协同过滤的优点以及面临的挑战
• 3.3.1 协同过滤的优点
• 3.3.2 协同过滤面临的挑战
• 3.4 协同过滤算法的改进
• 3.4.1 混合协同过滤技术
• 3.4.2 基于聚类的协同过滤算法
• 3.4.3 基于奇异值分解（LSI）的协同过滤算法
• 3.5 本章小结
• 第4章 基于用户信用度的协同过滤算法
• 4.1 传统相似度度量方法的局限性
• 4.1.1 余弦相似性度量方法
• 4.1.2 相关相似性度量方法
• 4.1.3 实验验证
• 4.2 基于PIP的协同过滤算法
• 4.2.1 PIP算法介绍
• 4.2.2 最近邻查询
• 4.2.3 推荐产生
• 4.3 基于用户信用度的CPIP协同过滤算法
• 4.3.1 算法改进的原因
• 4.3.2 改进算法的思想
• 4.3.3 算法描述
• 4.3.4 推荐过程
• 4.3.5 基于用户信用度的CPIP协同过滤的程序流程图
• 4.4 基于用户信用度的CPIP协同过滤推荐系统的构建
• 4.4.1 模型构建的原则
• 4.4.2 推荐系统模型的工作流程
• 4.5 本章小结
• 第5章 改进算法的仿真与测试
• 5.1 数据集
• 5.2 实验设计
• 5.2.1 度量标准
• 5.2.2 实验数据集
• 5.2.3 实验环境
• 5.3 算法及测试的编程实现
• 5.3.1 编程实现
• 5.3.2 实验测试方案流程
• 5.3.3 参数确定
• 5.4 实验结果
• 5.5 验证
• 5.6 本章小结
• 第6章 结论与展望
• 6.1 本文工作
• 6.2 进一步的研究工作
• 参考文献
• 致谢
• 附录