發(fā)布時(shí)間：2017-12-04 16:08

  本文關(guān)鍵詞：電子商務(wù)個(gè)性化推薦關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 電子商務(wù) 個(gè)性化推薦 協(xié)同過濾 興趣變化

【摘要】：隨著網(wǎng)絡(luò)的普及和電子商務(wù)的廣泛應(yīng)用,越來越多的信息充斥在互聯(lián)網(wǎng)之中,用戶在享受網(wǎng)上購物帶來的便捷的同時(shí)也面臨著信息過載問題的困擾。為了在大量的商品信息中找到符合用戶需求的信息,電子商務(wù)推薦系統(tǒng)應(yīng)運(yùn)而生。 協(xié)同過濾推薦算法是目前推薦系統(tǒng)應(yīng)用最廣泛和最為成功的技術(shù)之一,本文以協(xié)同過濾推薦算法為研究目標(biāo),以提高目標(biāo)用戶的最近鄰居的質(zhì)量為出發(fā)點(diǎn),對(duì)傳統(tǒng)的基于用戶的協(xié)同過濾推薦算法在應(yīng)用中存在的稀疏性問題、相似性計(jì)算不區(qū)分對(duì)待目標(biāo)用戶喜歡與不喜歡的項(xiàng)、以及不能反應(yīng)用戶興趣變化等關(guān)鍵問題,給出了一種改進(jìn)的協(xié)同過濾推薦算法。該算法與現(xiàn)有的算法相比,其優(yōu)勢(shì)如下:第一,在用戶顯式評(píng)分的基礎(chǔ)上,對(duì)用戶瀏覽的項(xiàng)目進(jìn)行了更細(xì)致的劃分,對(duì)那些“已瀏覽未評(píng)分的項(xiàng)”采用隱式評(píng)分的方式來擴(kuò)展原有的用戶-項(xiàng)評(píng)分矩陣,緩解了數(shù)據(jù)稀疏性問題;第二,使用本文給出的基于時(shí)間權(quán)重與目標(biāo)用戶正興趣的相似性計(jì)算公式,只在目標(biāo)用戶具有正興趣的項(xiàng)上計(jì)算用戶相似性,提高了最近鄰居的質(zhì)量,同時(shí),賦予目標(biāo)用戶近期訪問項(xiàng)更高的權(quán)重,有效反映了目標(biāo)用戶的興趣變化;第三,使用了原有電子商務(wù)網(wǎng)站的項(xiàng)目分類模型作為算法分類的標(biāo)準(zhǔn),在各個(gè)不同的子類中尋找目標(biāo)用戶的最近鄰居,在每個(gè)子用戶-項(xiàng)評(píng)分矩陣上生成子預(yù)測(cè)侯選推薦集合,這樣可以找到更“真”的鄰居。 通過在MovieLens和EachMovie數(shù)據(jù)上對(duì)平均絕對(duì)誤差的對(duì)比分析實(shí)驗(yàn)證明,改進(jìn)的算法在一定程度上比傳統(tǒng)的基于用戶的協(xié)同過濾算法有更高的評(píng)分預(yù)測(cè)準(zhǔn)確度。
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類號(hào)】：TP301.6

【引證文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 范敏敏;非負(fù)矩陣分解與聚類方法在個(gè)性化推薦系統(tǒng)中的應(yīng)用研究[D];華東交通大學(xué);2012年

，

本文編號(hào)：1251556