电子商务推荐系统中协同过滤技术的研究

论文摘要

个性化推荐系统在电子商务领域具有良好的应用前景,是电子商务技术中重要的研究内容。推荐系统通过预测用户的喜好对用户做出推荐,为用户进行信息过滤。协同过滤是经常被采用的解决信息过载问题的方法,是个性化推荐的主要方法之一。传统的协同过滤主要存在着:精确性、数据稀疏与冷启动的问题。本文首先介绍了电子商务与电子商务中个性化推荐的相关概念,接着对传统协同过滤方法中存在的问题进行进一步的分析,在分析的基础上,对传统协同过滤方法提出相应的改进方法。传统协同过滤算法在构建用户评估矩阵时,对用户未评分的项目简单填充固定值。本文利用电子商务系统中商品属于不同层次的特点,通过计算商品所属层次的RF/IRF值,将RF/IRF值高层次中商品填入特定值。从而在一定程度上解决数据稀疏性和冷启动问题。通过对传统协同过滤项目推荐公式的扩展,不再局限于最近邻居用户对某个商品的评价,而是将所有用户评价整体考虑到推荐当中。对于协同过滤技术面临的扩展性问题,对Sarwar等人提出的基于奇异值分解的协同过滤进行改进。最后通过实验,分析新提出的算法在各个评价指标上的表现。本文还将新提出的算法应用到实际的环境中,在江西省新华书店的基于Agent的个性化出版物信息服务系统的课题中使用该算法。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 协同过滤技术国外研究现状
• 1.2.2 协同过滤技术国内研究现状
• 1.3 研究内容与论文结构
• 1.4 创新之处
• 1.5 本章小结
• 第2章 电子商务个性化推荐技术
• 2.1 引言
• 2.2 电子商务推荐系统
• 2.3 电子商务推荐系统的输入/输出
• 2.3.1 推荐系统输入
• 2.3.2 推荐系统输出
• 2.4 个性化推荐技术
• 2.4.1 协同过滤推荐
• 2.4.2 基于内容的推荐
• 2.4.3 基于关联规则的推荐
• 2.4.4 基于效用推荐
• 2.4.5 基于知识推荐
• 2.4.6 组合推荐
• 2.5 本章小结
• 第3章 传统协同过滤技术研究与分析
• 3.1 协同过滤技术概述
• 3.2 协同过滤基本算法
• 3.2.1 相似度度量方法
• 3.2.2 项目推荐的常用方法
• 3.3 协同过滤技术面临的瓶颈
• 3.4 本章小结
• 第4章 传统协同过滤算法的改进设计与实验
• 4.1 实验数据集及实验环境
• 4.2 评价指标
• 4.2.1 覆盖率
• 4.2.2 准确性
• 4.3 评估矩阵构建
• 4.3.1 现有构建评估矩阵的方法
• 4.3.2 层次填充法构建评估矩阵
• 4.3.3 实验分析
• 4.4 处理推荐项目
• 4.4.1 现有项目推荐公式
• 4.4.2 一种新的推荐公式
• 4.4.3 实验分析
• 4.5 改进后的算法在进一步稀疏矩阵中的实验分析
• 4.5.1 实验数据集
• 4.5.2 实验分析
• SVD算法'>4.6 RF/IRF_SVD算法
• 4.6.1 算法描述
• 4.6.2 实验分析
• 4.7 本章小结
• 第5章 出版物信息服务系统推荐子系统的设计与实现
• 5.1 系统结构
• 5.2 数据库表结构
• 5.3 推荐模型
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果