發(fā)布時間：2017-08-20 18:31

  本文關(guān)鍵詞：基于協(xié)同過濾的電子商務(wù)推薦算法研究

  更多相關(guān)文章： 統(tǒng)計模型 最近鄰 協(xié)同過濾 稀疏性 云模型

【摘要】：電子商務(wù)產(chǎn)業(yè)發(fā)展迅猛，網(wǎng)絡(luò)消費群體不斷擴大，網(wǎng)絡(luò)商品推薦技術(shù)應(yīng)運而生。由此而產(chǎn)生的個性化推薦系統(tǒng)不僅能夠快速地發(fā)現(xiàn)用戶興趣并做出推薦，還能發(fā)現(xiàn)用戶潛在興趣，提高電子商務(wù)網(wǎng)站的銷售量。協(xié)同過濾算法(collaborativefiltering)是目前應(yīng)用最廣泛最成功的推薦技術(shù)之一，但該算法有著明顯的缺陷：隨著電子商務(wù)系統(tǒng)規(guī)模的進一步擴大，用戶數(shù)目和項目數(shù)據(jù)急劇增加，嚴(yán)重依賴用戶打分矩陣的協(xié)同過濾算法會因為用戶評分?jǐn)?shù)據(jù)的極端稀疏性而無法正常工作，在這種情況下，傳統(tǒng)的算法得出的最近鄰居不準(zhǔn)確，推薦系統(tǒng)的推薦質(zhì)量急劇下降。 針對現(xiàn)行的電子商務(wù)推薦算法的特點，本文認(rèn)為主要原因在于過于依賴用戶對項目打分矩陣�；诖耍疚奶岢鲈谟脩舸蚍植糠植捎没诮y(tǒng)計模型的協(xié)同過濾算法來解決矩陣的稀疏性；同時，利用用戶對項目的文字評論，提取情感特征值，單獨形成推薦，以克服對打分矩陣的依賴性。具體工作如下： 在處理用戶評分矩陣的極端，為了解決用戶評分?jǐn)?shù)據(jù)稀疏性和最近鄰尋找的準(zhǔn)確性問題，本文提出一種基于統(tǒng)計模型的協(xié)同過濾推薦算法。該算法首先利用項目統(tǒng)計信息分類，在類內(nèi)尋找項目的最近鄰居；然后通過預(yù)測項目評分值進行矩陣填充，解決稀疏性問題；最后通過用戶之間的協(xié)同過濾進行推薦。實驗結(jié)果表明，該算法可以準(zhǔn)確地獲取項目及用戶最近鄰，有效地解決數(shù)據(jù)稀疏性問題，同時，該算法還極大地提高了系統(tǒng)的工作效率及推薦的準(zhǔn)確性。 鑒于用戶評論中的情感態(tài)度和偏好程度可以很好地表達(dá)用戶在情感方面的傾向，本文通過建立用戶評論情感傾向語料庫，提取以往用戶評論中的語料詞并根據(jù)模糊算法形成分值，利用云模型形成一個用戶評論情感傾向向量，通過云模型向量間的相似度計算形成最近鄰居從而形成推薦。通過實驗可以得出，在傳統(tǒng)評分矩陣中項目評分稀疏時，仍然能夠通過用戶對項目的情感傾向?qū)Ρ冗M行推薦，并可以以數(shù)據(jù)的形式對用戶情感傾向進行統(tǒng)計。
【關(guān)鍵詞】：統(tǒng)計模型 最近鄰 協(xié)同過濾 稀疏性 云模型
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要7-8
• ABSTRACT8-10
• 第1章 緒論10-18
• 1.1 研究背景10-11
• 1.2 研究意義11
• 1.3 研究現(xiàn)狀11-15
• 1.3.1 協(xié)同過濾算法及稀疏矩陣問題的研究現(xiàn)狀及趨勢11-14
• 1.3.2 用戶評論中的情感分析研究現(xiàn)狀14-15
• 1.4 研究內(nèi)容15-16
• 1.4.1 電子商務(wù)推薦算法需要解決的主要問題15
• 1.4.2 本文的主要工作15-16
• 1.5 論文的組織結(jié)構(gòu)16-18
• 第2章 電子商務(wù)推薦系統(tǒng)概述18-32
• 2.1 基于內(nèi)容的推薦系統(tǒng)20-22
• 2.2 基于協(xié)同過濾的推薦系統(tǒng)22-26
• 2.2.1 相似度計算方法23-24
• 2.2.2 項目分?jǐn)?shù)預(yù)測公式24-25
• 2.2.3 協(xié)同過濾算法的優(yōu)缺點25-26
• 2.3 基于用戶的協(xié)同過濾算法26-27
• 2.4 基于項目的協(xié)同過濾算法27-29
• 2.4.1 生成項目最近鄰28
• 2.4.2 進行推薦28-29
• 2.5 基于模型的推薦系統(tǒng)29-32
• 2.5.1 基于聚類算法的模型29-30
• 2.5.2 網(wǎng)狀貝葉斯模型30
• 2.5.3 基于關(guān)聯(lián)規(guī)則的模型30-32
• 第3章 基于統(tǒng)計模型的協(xié)同過濾算法32-40
• 3.1 基于統(tǒng)計模型的項目分類32-35
• 3.1.1 向域32-33
• 3.1.2 項目分類33-35
• 3.2 項目分?jǐn)?shù)預(yù)測35
• 3.3 項目推薦35-37
• 3.3.1 對稀疏矩陣進行填充35-36
• 3.3.2 產(chǎn)生推薦36-37
• 3.4 實驗及分析37-40
• 3.4.1 實驗數(shù)據(jù)集37
• 3.4.2 測試方法37-38
• 3.4.3 測試標(biāo)準(zhǔn)38
• 3.4.4 實驗結(jié)果及分析38-40
• 第4章 基于云模型的情感傾向?qū)Ρ韧扑]算法40-54
• 4.1 云模型40-43
• 4.1.1 云的定義41-42
• 4.1.2 云的發(fā)生42-43
• 4.2 用戶評論的情感語料庫43-44
• 4.3 推薦過程44-49
• 4.3.1 用戶評論情感計算45-46
• 4.3.2 用戶情感傾向矩陣表示46
• 4.3.3 基于云模型的用戶情感向量46-47
• 4.3.4 相似度計算47-48
• 4.3.5 商品推薦48-49
• 4.4 實驗及分析49-54
• 4.4.1 詞頻統(tǒng)計49-50
• 4.4.2 用戶情感處理50-52
• 4.4.3 情感預(yù)測實驗52-54
• 第5章 總結(jié)與展望54-56
• 5.1 總結(jié)54-55
• 5.2 未來研究展望55-56
• 參考文獻56-60
• 致謝60-61
• 攻讀碩士學(xué)位期間發(fā)表論文61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李德毅,劉常昱;論正態(tài)云模型的普適性[J];中國工程科學(xué);2004年08期

2 張仰森,徐波,曹元大;自然語言處理中的語言模型及其比較研究[J];廣西師范大學(xué)學(xué)報(自然科學(xué)版);2003年01期

3 張鋒;常會友;;使用BP神經(jīng)網(wǎng)絡(luò)緩解協(xié)同過濾推薦算法的稀疏性問題[J];計算機研究與發(fā)展;2006年04期

4 顧曄;呂紅兵;;改進的增量奇異值分解協(xié)同過濾算法[J];計算機工程與應(yīng)用;2011年11期

5 何光輝;魏曙光;王蔚韜;;改進的聚類鄰居協(xié)同過濾推薦算法[J];計算機科學(xué);2004年11期

6 曾艷,麥永浩;基于內(nèi)容預(yù)測和項目評分的協(xié)同過濾推薦[J];計算機應(yīng)用;2004年01期

7 張海燕,丁峰,姜麗紅;基于模糊聚類的協(xié)同過濾推薦方法[J];計算機仿真;2005年08期

8 李德毅,劉常昱,杜瀊,韓旭;不確定性人工智能[J];軟件學(xué)報;2004年11期

9 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學(xué)報;2009年02期

10 余力,劉魯,羅掌華;我國電子商務(wù)推薦策略的比較分析[J];系統(tǒng)工程理論與實踐;2004年08期

，

本文編號：708243