协同过滤优化算法的研究与实现

论文摘要

随着互联网和电子商务的发展,电子商务推荐系统逐渐成为一个重要研究内容,得到了研究者越来越多的关注。其中,协同过滤推荐技术是目前推荐系统中应用最早和最为成功的技术之一,是个性化推荐领域重点研究的课题。本文通过分析了协同过滤推荐技术目前存在的问题,指出随着电子商务系统用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法没有强调项目所属类别对相似性计算的影响,因而计算结果不够准确。针对该问题,提出了项目类型信息参与相似性计算的思想。将此思想分别应用于基于项目协同过滤算法和基于用户协同过滤算法中,前者使用项目类型矩阵计算类型部分,后者使用由项目——类型矩阵与用户评分矩阵得到的用户——项目类型矩阵进行计算类型部分,并将其与各自相应的传统相似性计算结果线性结合一并作为项目间和用户间的相似性。实验结果表明,在基于项目和基于用户协同过滤算法中,该方法不同程度地提高了预测的精确度。本文还就传统协同过滤算法无法反映用户对不同类项目的关注度的不同问题,提出一种改进的基于用户的协同过滤算法。该算法利用组合推荐方法思想,结合了基于项目和基于用户协同过滤算法。该算法以基于用户协同过滤算法为主体,使用基于项目协同过滤算法得出待预测项目的邻居项目,对基于项目协同过滤算法产生的目标用户的邻居集合进行再次选择,它能考虑到用户在不同类项目的兴趣差异,找到针对每个类项目与用户“真正”的邻居用户。实验结果表明,算法能有效避免传统方法的弊端,提高预测精度,从而提高了协同过滤系统的推荐质量。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 本文主要研究内容
• 1.3 本文的组织结构
• 第二章 相关理论与技术
• 2.1 电子商务推荐系统简介
• 2.1.1 电子商务推荐系统的构成
• 2.1.2 电子商务推荐系统的作用
• 2.1.3 电子商务推荐系统与个性化服务
• 2.2 电子商务推荐系统中推荐技术
• 2.2.1 协同过滤
• 2.2.2 关联规则
• 2.2.3 聚类
• 2.2.4 贝叶斯（Beyesian）网络
• 2.2.5 Horting图
• 2.3 协同过滤介绍
• 2.3.1 协同过滤系统简单描述
• 2.3.2 协同过滤技术的分类
• 2.3.3 现有的协同过滤推荐系统
• 2.4 协同过滤存在问题以及现有解决方法
• 2.4.1 协同过滤在应用中存在的问题
• 2.4.2 现有的解决办法
• 2.5 小结
• 第三章 基于项目协同过滤的类型优化算法
• 3.1 传统基于项目协同过滤算法
• 3.1.1 相似度计算
• 3.1.2 最近邻居
• 3.1.3 产生推荐
• 3.2 基于项目协同过滤的类型优化算法
• 3.2.1 问题的提出
• 3.2.2 相关工作
• 3.2.3 项目类型矩阵
• 3.2.4 类型优化
• 3.3 评价标准
• 3.4 数据集
• 3.5 实验与分析
• 3.5.1 实验方案
• 3.5.2 实验结果
• 3.5.3 实验结果分析
• 3.6 小结
• 第四章 基于用户协同过滤的类型优化算法
• 4.1 传统基于用户协同过滤算法
• 4.1.1 相似度计算
• 4.1.2 最近邻居
• 4.1.3 产生推荐
• 4.2 基于用户协同过滤的类型优化算法
• 4.2.1 问题提出
• 4.2.2 用户-类型矩阵
• 4.2.3 类型优化
• 4.3 实验与分析
• 4.3.1 实验方案
• 4.3.2 实验结果
• 4.3.3 实验结果分析
• 4.4 进一步的构想
• 4.5 小结
• 第五章 改进的基于用户协同过滤算法
• 5.1 组合推荐
• 5.1.1 组合推荐技术
• 5.1.2 基于项目和基于用户协同过滤算法组合推荐
• 5.2 改进的基于用户协同过滤算法
• 5.2.1 算法的提出
• 5.2.2 相关工作
• 5.2.3 改进的基于用户的协同过滤算法
• 5.2.4 算法分析
• 5.3 实验与分析
• 5.3.1 实验方案
• 5.3.2 实验结果
• 5.3.3 实验结果分析
• 5.4 小结
• 第六章 结论与展望
• 6.1 本文主要内容总结
• 6.2 未来工作
• 参考文献
• 致谢
• 攻硕期间参加的项目和发表的论文