本文關鍵詞：電子商務推薦系統(tǒng)中協(xié)同過濾算法的改進與研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近些年來，互聯(lián)網(wǎng)迅猛發(fā)展，電子商務保持著持續(xù)增加的趨勢，信息在不斷的膨脹甚至于過載，正是因此電子商務面臨著巨大的挑戰(zhàn)。為了解決這一難題，電子商務推薦系統(tǒng)應運而生，電子商務推薦系統(tǒng)可以幫助用戶快速的定位到自己喜歡的商品。協(xié)同過濾技術是目前發(fā)展最為迅速的的一種個性化推薦技術，但傳統(tǒng)協(xié)同過濾本身的算法本身具有局限性，存在“稀疏性”問題、“冷啟動”問題和“可擴展性”問題等，針對電子商務推薦系統(tǒng)中通常采用的協(xié)同過濾推薦算法的不足，本文提出了一種改進的協(xié)同過濾組合推薦算法。 本文首先引入聚類分析，在聚類分析的模型中，只將目標用戶或項目在由聚類產(chǎn)生的搜索空間進行搜索，而不必在整個數(shù)據(jù)空間中進行，這樣縮小了搜索范圍，提高了搜索效率，有效提高了系統(tǒng)的實時響應速度，這就是我們引入聚類分析對數(shù)據(jù)集進行預處理的原因。 本文引入了信任模型，利用回歸分析法將由用戶-項目評分矩陣產(chǎn)生的相似度矩陣與由用戶-用戶信任評分矩陣產(chǎn)生的信任度矩陣相結合，，作為進行最近鄰搜索的新的標準，提高了推薦的準確性，從而為目標用戶提供更好的推薦結果。 本文以傳統(tǒng)的協(xié)同過濾推薦算法為基礎，引入聚類分析與信任模型成為一種新的協(xié)同過濾組合推薦算法，該推薦算法能夠有效改善或克服傳統(tǒng)協(xié)同過濾技術中出現(xiàn)的問題，從而提供系統(tǒng)的準確性。本文并對該算法進行了設計，并進行了對比實驗，經(jīng)過實驗表明，該算法能夠降低預測的用戶評分與實際的用戶評分之間的平均絕對偏差，提高系統(tǒng)的推薦質(zhì)量。
【關鍵詞】：電子商務推薦系統(tǒng) 協(xié)同過濾 聚類分析 信任模型 回歸分析
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-10
• 1. 緒論10-16
• 1.1 研究背景及意義10-12
• 1.1.1 研究背景10-12
• 1.1.2 研究意義12
• 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)12-14
• 1.2.1 電子商務推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)12-13
• 1.2.2 個性化推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)13-14
• 1.3 研究內(nèi)容及結構安排14-16
• 2. 電子商務推薦系統(tǒng)及推薦技術16-26
• 2.1 電子商務推薦系統(tǒng)概述16-18
• 2.1.1 電子商務推薦系統(tǒng)的分類16-17
• 2.1.2 電子商務推薦系統(tǒng)的組成17-18
• 2.2 電子商務推薦系統(tǒng)的研究內(nèi)容18-19
• 2.3 電子商務個性化推薦技術19-23
• 2.3.1 基于關聯(lián)規(guī)則的推薦技術19-20
• 2.3.2 基于內(nèi)容的推薦技術20-21
• 2.3.3 協(xié)同過濾的推薦技術21
• 2.3.4 組合推薦算法21-22
• 2.3.5 其他幾種常見的推薦技術22-23
• 2.4 協(xié)同過濾推薦技術23-26
• 2.4.1 相關概念23-24
• 2.4.2 基于用戶的協(xié)同過濾推薦算法24-25
• 2.4.3 基于項目的協(xié)同過濾推薦算法25-26
• 3. 聚類分析簡述26-39
• 3.1 數(shù)據(jù)挖掘26-28
• 3.1.1 數(shù)據(jù)挖掘簡述26
• 3.1.2 數(shù)據(jù)挖掘方法26-27
• 3.1.3 數(shù)據(jù)挖掘與推薦系統(tǒng)27-28
• 3.2 聚類分析的概念及原理28-29
• 3.3 聚類方法的分類29-32
• 3.3.1 基于劃分的聚類方法30-31
• 3.3.2 基于層次的聚類方法31
• 3.3.3 基于密度的聚類方法31-32
• 3.3.4 基于網(wǎng)格的聚類方法32
• 3.3.5 基于模型的聚類方法32
• 3.4 K-means 算法32-37
• 3.4.1 K-means 算法33-35
• 3.4.2 K-means 算法的優(yōu)缺點35-36
• 3.4.3 K-means 算法的改進36-37
• 3.5 基于聚類的協(xié)同過濾推薦算法37-38
• 3.5.1 基于用戶聚類的協(xié)同過濾推薦算法37
• 3.5.2 基于項目聚類的協(xié)同過濾推薦算法37-38
• 3.6 本章小節(jié)38-39
• 4. 信任模型及回歸分析法的應用39-47
• 4.1 信任模型39-43
• 4.1.1 信任的定義39-40
• 4.1.2 信任的特性40-41
• 4.1.3 信任模型的建立41-42
• 4.1.4 引入信任的必要性42-43
• 4.2 回歸分析法及應用43-46
• 4.2.1 回歸分析法簡述43
• 4.2.2 回歸分析法的原理43-45
• 4.2.3 回歸分析法在推薦系統(tǒng)中的應用45-46
• 4.3 本章小節(jié)46-47
• 5. 改進的協(xié)同過濾組合推薦算法研究47-54
• 5.1 協(xié)同過濾組合推薦算法的框架及思路47-49
• 5.2 算法的設計與分析49-52
• 5.2.1 數(shù)據(jù)的收集與處理49
• 5.2.2 聚類49-51
• 5.2.3 相似度計算51
• 5.2.4 相似-信任度計算51
• 5.2.5 K 最近鄰用戶搜索51-52
• 5.2.6 預測評分52
• 5.2.7 產(chǎn)生推薦列表52
• 5.3 本章小結52-54
• 6. 實驗設計與結果分析54-60
• 6.1 實驗環(huán)境及實驗數(shù)據(jù)54-55
• 6.1.1 實驗環(huán)境54
• 6.1.2 實驗數(shù)據(jù)54-55
• 6.2 實驗評價的度量標準55
• 6.3 實驗的設計、結果與分析55-58
• 6.3.1 實驗 155-56
• 6.3.2 實驗 256-57
• 6.3.3 實驗 357-58
• 6.4 本章小節(jié)58-60
• 結論60-62
• 參考文獻62-67
• 致謝67-68
• 攻讀博士（碩士）期間發(fā)表的論文及所取得的研究成果68

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 譚勇,榮秋生;一個基于K-means的聚類算法的實現(xiàn)[J];湖北民族學院學報(自然科學版);2004年01期

2 蔡偉鴻,劉震;基于密度聚類算法的入侵檢測研究[J];計算機工程與應用;2005年21期

3 徐翔;王煦法;;協(xié)同過濾算法中的相似度優(yōu)化方法[J];計算機工程;2010年06期

4 楊圣云;袁德輝;賴國明;;一種新的聚類初始化方法[J];計算機應用與軟件;2007年08期

5 雷小鋒;謝昆青;林帆;夏征義;;一種基于K-Means局部最優(yōu)性的高效聚類算法[J];軟件學報;2008年07期

6 馬曉春,高翔,高德遠;聚類分析在入侵檢測系統(tǒng)中的應用研究[J];微電子學與計算機;2005年04期

  本文關鍵詞：電子商務推薦系統(tǒng)中協(xié)同過濾算法的改進與研究，由筆耕文化傳播整理發(fā)布。

本文編號：403813