基于协同过滤的电子商务个性化推荐系统的研究与实现

论文摘要

目前,以网上购物为重要形式的电子商务得到了迅猛发展,个性化推荐系统可望提升购买商品的便捷性与销售效率,已成为目前研究的热点。个性化推荐系统的核心是推荐算法,而协同过滤是其中简单且性能较优的一种方法。论文以电影推荐为例,采用协同过滤方法设计并实现了个性化推荐系统,可为用户推荐符合个人偏好的电影,避免用户盲目地进行电影选购,达到有效保留用户与提高电子商务系统的销售效率的目的。论文的主要工作表现在:（1）设计并实现了协同过滤算法对协同过滤算法进行了简要介绍,并给出了算法中涉及到的相关指标。根据协同过滤算法思想,从数据预处理、用户与项目聚类、相似性指标计算以及Top-N最近邻选择等方面设计推荐算法流程,并采用不同的交集方式产生推荐结果;针对用户—项目评分的矩阵性质,采用Matlab软件实现所设计的算法,并利用MovieLens数据集对算法性能进行了分析,比较了不同聚类数目、三类相似性指标以及N值对算法性能的影响,实验结果表明算法具有较强的鲁棒性。（2）设计了协同过滤推荐系统通过分析推荐系统的功能与需求,设计了系统的模块组成及相互关系,并确定了开发平台与软件形式;针对系统所处理的数据,利用Access软件设计并生成用户、项目与评分信息数据库,得到了数据库的具体组成内容以及系统所必需的数据结构形式;设计了组成系统的界面形式,给出了界面的具体功能、控件组成与布局方式等。（3）实现了协同过滤推荐系统在系统总体设计方案的技术上,给出了系统主界面、算法实现方案以及数据库访问方式;采用目前常用的Visual Studio.Net为开发平台,利用C#与Matlab混合编程的形式实现了推荐算法模块的调用,降低了编程工作量,提高了推荐速度;详细设计了各个窗口与界面所涉及到的变量与方法,并进行了实现,给出了比较重要的功能的处理流程,并对窗口的操作方法进行了说明。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 个性化推荐技术
• 1.2.2 个性化推荐系统
• 1.3 论文研究思路与内容
• 1.3.1 研究内容与思路
• 1.3.2 论文框架
• 第二章 协同过滤推荐算法设计与实现
• 2.1 协同过滤算法简介
• 2.2 相关指标计算
• 2.2.1 稀疏评价指标
• 2.2.2 相似性评价指标
• 2.2.3 推荐性能评价指标
• 2.3 协同过滤算法设计
• 2.3.1 算法思想与流程
• 2.3.2 数据预处理
• 2.3.3 K-均值聚类
• 2.3.4 基于用户的协同过滤算法
• 2.3.5 基于项目的协同过滤算法
• 2.4 实验结果分析
• 2.4.1 实现软件
• 2.4.2 数据获取与处理
• 2.4.3 实验结果与分析
• 2.5 本章小结
• 第三章 协同过滤推荐系统需求分析与设计
• 3.1 系统功能需求分析
• 3.2 环境与平台选择
• 3.3 数据与数据库设计
• 3.3.1 数据库设计
• 3.3.2 数据设计
• 3.4 界面设计
• 3.4.1 界面说明
• 3.4.2 登录界面设计
• 3.4.3 注册界面设计
• 3.4.4 推荐内容展示界面设计
• 3.4.5 系统管理界面设计
• 3.5 本章小结
• 第四章 协同过滤推荐系统实现
• 4.1 实现方案
• 4.1.1 主界面实现方案
• 4.1.2 算法实现方案
• 4.1.3 数据库访问方式
• 4.1.4 实现环境
• 4.2 各窗口功能实现
• 4.2.1 用户登录窗口功能实现
• 4.2.2 用户注册窗口功能实现
• 4.2.3 推荐内容展示窗口功能实现
• 4.2.4 电影详细信息窗口功能实现
• 4.2.5 电影评分窗口功能实现
• 4.2.6 用户信息管理窗口功能实现
• 4.2.7 电影信息管理窗口实现
• 4.3 其它功能实现
• 4.4 本章小结
• 第五章 总结与展望
• 致谢
• 参考文献