本文關(guān)鍵詞：基于蟻群聚類的電子商務(wù)個(gè)性化推薦算法研究

  更多相關(guān)文章： 協(xié)同過(guò)濾推薦算法 蟻群算法 用戶 項(xiàng)目

【摘要】：伴隨著互聯(lián)網(wǎng)的不斷發(fā)展壯大，電子商務(wù)迅速發(fā)展，電子商務(wù)個(gè)性化推薦系統(tǒng)作為電子商務(wù)的一部分也越來(lái)越受到企業(yè)的重視。而電子商務(wù)個(gè)性化推薦系統(tǒng)是以推薦算法為中心的，，這促使國(guó)內(nèi)外的許多研究者開始投身于對(duì)推薦算法的研究，他們提出了很多不同的推薦算法，這些算法的加入滿足了物聯(lián)網(wǎng)用戶的個(gè)性化需求，但是也存在一些問題，如數(shù)據(jù)的稀疏性問題和數(shù)據(jù)的冷啟動(dòng)問題等。 蟻群算法是源于自然現(xiàn)象的一種算法，是一種新式的模擬螞蟻群體智能行為的仿生優(yōu)化算法，它的很多觀點(diǎn)來(lái)源于真實(shí)蟻群。蟻群算法具有自組織性、正反饋性、較強(qiáng)的魯棒性等長(zhǎng)處，這啟發(fā)了我們?nèi)诤舷伻核惴▉?lái)研究推薦算法的思路。 本文提出了一種基于蟻群聚類的電子商務(wù)個(gè)性化推薦算法，該算法首先利用蟻群算法實(shí)現(xiàn)用戶聚類，從而在一定程度上降低了候選鄰居集的數(shù)量。然后在用戶簇中運(yùn)用融合用戶和項(xiàng)目的協(xié)同過(guò)濾推薦算法對(duì)用戶進(jìn)行推薦，在此步驟中所采用的融合用戶和項(xiàng)目的協(xié)同過(guò)濾算法是在傳統(tǒng)的融合用戶和項(xiàng)目的算法的基礎(chǔ)上進(jìn)行改進(jìn)的，具體流程是：當(dāng)用戶共同評(píng)分的項(xiàng)目數(shù)量大于某一閾值時(shí)，采用基于用戶的協(xié)同過(guò)濾推薦算法，反之采用傳統(tǒng)的基于用戶和項(xiàng)目的協(xié)同過(guò)濾。 另外本文對(duì)電子商務(wù)的推薦算法的許多細(xì)節(jié)問題進(jìn)行了有效改善，具體改進(jìn)如下： 1.當(dāng)相似度的計(jì)算公式分母為零時(shí)得到相似度為無(wú)窮大，顯然這與事實(shí)不符，為此本文采用基于用戶的評(píng)價(jià)因子和基于項(xiàng)目的評(píng)價(jià)因子來(lái)代替用戶相似度和項(xiàng)目相似度。 2.本文還對(duì)結(jié)合用戶和項(xiàng)目的協(xié)同過(guò)濾算法的控制因子給出了具體計(jì)算公式，這有效解決了隨機(jī)設(shè)置參數(shù)的不準(zhǔn)確和耗時(shí)問題。 3.稀疏的用戶-項(xiàng)目矩陣中未評(píng)分的項(xiàng)目可以根據(jù)項(xiàng)目之間的相似度得到一個(gè)預(yù)測(cè)的評(píng)分,在一定程度上降低了用戶-項(xiàng)目矩陣的極端稀疏性，但是也存在極端情況，分別是沒有一個(gè)用戶對(duì)目標(biāo)項(xiàng)目做過(guò)評(píng)分和目標(biāo)用戶未做過(guò)任何評(píng)分這兩種情況。本文給出了極端情況下的處理辦法，對(duì)于第一種情況，把用戶對(duì)其所做過(guò)評(píng)分的平均值作為用戶對(duì)目標(biāo)項(xiàng)目的評(píng)分，而對(duì)于第二種情況，則取3.0作為用戶對(duì)目標(biāo)項(xiàng)目的評(píng)分。這樣在一定程度上緩解了冷啟動(dòng)問題和稀疏性問題對(duì)電子商務(wù)推薦系統(tǒng)的影響。 實(shí)驗(yàn)結(jié)果表明：和傳統(tǒng)的基于用戶的協(xié)同過(guò)濾推薦算法和基于用戶和項(xiàng)目的協(xié)同過(guò)濾推薦算法相比，通過(guò)本文的算法計(jì)算出的MAE值較小，從而可以有效地為用戶進(jìn)行個(gè)性化推薦。
【關(guān)鍵詞】：協(xié)同過(guò)濾推薦算法 蟻群算法 用戶 項(xiàng)目
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.3;TP18
【目錄】：

• 目錄4-6
• 摘要6-8
• Abstract8-10
• 第1章 緒論10-17
• 1.1 研究背景10-11
• 1.2 國(guó)內(nèi)外相關(guān)領(lǐng)域研究現(xiàn)狀11-15
• 1.2.1 協(xié)同過(guò)濾推薦算法11-12
• 1.2.2 蟻群算法12-14
• 1.2.3 基于蟻群算法的推薦算法概述14-15
• 1.3 研究?jī)?nèi)容15
• 1.4 研究意義15
• 1.5 主要?jiǎng)?chuàng)新點(diǎn)15-16
• 1.6 論文結(jié)構(gòu)16-17
• 第2章 相關(guān)理論概述17-32
• 2.1 電子商務(wù)推薦算法17-24
• 2.1.1 電子商務(wù)推薦系統(tǒng)17-18
• 2.1.2 基于用戶的協(xié)同過(guò)濾推薦算法18-22
• 2.1.3 基于項(xiàng)目的協(xié)同過(guò)濾推薦算法22-24
• 2.1.4 協(xié)同過(guò)濾推薦算法的缺點(diǎn)24
• 2.2 蟻群算法24-26
• 2.2.1 蟻群算法的描述24-25
• 2.2.2 蟻群算法的特征25-26
• 2.3 蟻群聚類算法26-32
• 第3章 基于蟻群聚類的電子商務(wù)個(gè)性化推薦算法設(shè)計(jì)32-39
• 3.1 蟻群聚類算法32-35
• 3.2 融合用戶和項(xiàng)目的協(xié)同過(guò)濾推薦算法35-39
• 第四章 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析39-44
• 4.1 數(shù)據(jù)集39
• 4.2 度量標(biāo)準(zhǔn)39-40
• 4.3 實(shí)驗(yàn)過(guò)程40-44
• 4.3.1 實(shí)驗(yàn)環(huán)境40
• 4.3.2 實(shí)驗(yàn)結(jié)果及分析40-44
• 第五章 結(jié)論44-45
• 5.1 研究的優(yōu)點(diǎn)與不足44
• 5.2 未來(lái)展望44-45
• 參考文獻(xiàn)45-50
• 致謝50-51
• 攻讀碩士學(xué)位期間公開發(fā)表的論文51

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 冀俊忠;程亮;趙學(xué)武;劉椿年;;量子蟻群算法求解多任務(wù)聯(lián)盟問題[J];北京工業(yè)大學(xué)學(xué)報(bào);2013年03期

2 秦福高;王文琴;;基于k-means算法改進(jìn)的蟻群聚類算法[J];常州工學(xué)院學(xué)報(bào);2013年Z1期

3 徐婕,詹士昌;動(dòng)態(tài)調(diào)整信息素的蟻群算法[J];漢中師范學(xué)院學(xué)報(bào)(自然科學(xué));2003年06期

4 吳小菁;;基于揮發(fā)系數(shù)的自適應(yīng)蟻群算法[J];福建金融管理干部學(xué)院學(xué)報(bào);2010年01期

5 陳燁;帶雜交算子的蟻群算法[J];計(jì)算機(jī)工程;2001年12期

6 吳斌,史忠植;一種基于蟻群算法的TSP問題分段求解算法[J];計(jì)算機(jī)學(xué)報(bào);2001年12期

7 張忠平;郭獻(xiàn)麗;;一種優(yōu)化的基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)應(yīng)用研究;2008年09期

8 段海濱,王道波,朱家強(qiáng),黃向華;蟻群算法理論及應(yīng)用研究的進(jìn)展[J];控制與決策;2004年12期

9 李引;毛力;須文波;;量子粒子群優(yōu)化改進(jìn)的模糊C均值聚類算法[J];計(jì)算機(jī)工程與應(yīng)用;2012年35期

10 閆保權(quán);;蟻群聚類LF算法在MATLAB中的實(shí)現(xiàn)[J];信息技術(shù);2013年03期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 李道全;電子商務(wù)信任管理模型與方法研究[D];山東科技大學(xué);2011年

本文編號(hào)：1037746