本文關(guān)鍵詞：電子商務(wù)推薦系統(tǒng)中協(xié)同過濾技術(shù)的研究

  更多相關(guān)文章： 協(xié)同過濾 推薦系統(tǒng) 冷啟動 商品層次 奇異值分解

【摘要】： 個性化推薦系統(tǒng)在電子商務(wù)領(lǐng)域具有良好的應(yīng)用前景,是電子商務(wù)技術(shù)中重要的研究內(nèi)容。推薦系統(tǒng)通過預(yù)測用戶的喜好對用戶做出推薦,為用戶進行信息過濾。協(xié)同過濾是經(jīng)常被采用的解決信息過載問題的方法,是個性化推薦的主要方法之一。傳統(tǒng)的協(xié)同過濾主要存在著:精確性、數(shù)據(jù)稀疏與冷啟動的問題。 本文首先介紹了電子商務(wù)與電子商務(wù)中個性化推薦的相關(guān)概念,接著對傳統(tǒng)協(xié)同過濾方法中存在的問題進行進一步的分析,在分析的基礎(chǔ)上,對傳統(tǒng)協(xié)同過濾方法提出相應(yīng)的改進方法。 傳統(tǒng)協(xié)同過濾算法在構(gòu)建用戶評估矩陣時,對用戶未評分的項目簡單填充固定值。本文利用電子商務(wù)系統(tǒng)中商品屬于不同層次的特點,通過計算商品所屬層次的RF/IRF值,將RF/IRF值高層次中商品填入特定值。從而在一定程度上解決數(shù)據(jù)稀疏性和冷啟動問題。通過對傳統(tǒng)協(xié)同過濾項目推薦公式的擴展,不再局限于最近鄰居用戶對某個商品的評價,而是將所有用戶評價整體考慮到推薦當(dāng)中。對于協(xié)同過濾技術(shù)面臨的擴展性問題,對Sarwar等人提出的基于奇異值分解的協(xié)同過濾進行改進。最后通過實驗,分析新提出的算法在各個評價指標(biāo)上的表現(xiàn)。 本文還將新提出的算法應(yīng)用到實際的環(huán)境中,在江西省新華書店的基于Agent的個性化出版物信息服務(wù)系統(tǒng)的課題中使用該算法。
【關(guān)鍵詞】：協(xié)同過濾 推薦系統(tǒng) 冷啟動 商品層次 奇異值分解
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2010
【分類號】：F713.36
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 緒論8-12
• 1.1 研究背景及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-10
• 1.2.1 協(xié)同過濾技術(shù)國外研究現(xiàn)狀9-10
• 1.2.2 協(xié)同過濾技術(shù)國內(nèi)研究現(xiàn)狀10
• 1.3 研究內(nèi)容與論文結(jié)構(gòu)10-11
• 1.4 創(chuàng)新之處11
• 1.5 本章小結(jié)11-12
• 第2章 電子商務(wù)個性化推薦技術(shù)12-21
• 2.1 引言12
• 2.2 電子商務(wù)推薦系統(tǒng)12-14
• 2.3 電子商務(wù)推薦系統(tǒng)的輸入/輸出14-15
• 2.3.1 推薦系統(tǒng)輸入14-15
• 2.3.2 推薦系統(tǒng)輸出15
• 2.4 個性化推薦技術(shù)15-20
• 2.4.1 協(xié)同過濾推薦16-17
• 2.4.2 基于內(nèi)容的推薦17
• 2.4.3 基于關(guān)聯(lián)規(guī)則的推薦17-18
• 2.4.4 基于效用推薦18-19
• 2.4.5 基于知識推薦19
• 2.4.6 組合推薦19-20
• 2.5 本章小結(jié)20-21
• 第3章 傳統(tǒng)協(xié)同過濾技術(shù)研究與分析21-29
• 3.1 協(xié)同過濾技術(shù)概述21-23
• 3.2 協(xié)同過濾基本算法23-26
• 3.2.1 相似度度量方法23-25
• 3.2.2 項目推薦的常用方法25-26
• 3.3 協(xié)同過濾技術(shù)面臨的瓶頸26-28
• 3.4 本章小結(jié)28-29
• 第4章 傳統(tǒng)協(xié)同過濾算法的改進設(shè)計與實驗29-54
• 4.1 實驗數(shù)據(jù)集及實驗環(huán)境29-31
• 4.2 評價指標(biāo)31-32
• 4.2.1 覆蓋率31
• 4.2.2 準(zhǔn)確性31-32
• 4.3 評估矩陣構(gòu)建32-40
• 4.3.1 現(xiàn)有構(gòu)建評估矩陣的方法32-33
• 4.3.2 層次填充法構(gòu)建評估矩陣33-35
• 4.3.3 實驗分析35-40
• 4.4 處理推薦項目40-46
• 4.4.1 現(xiàn)有項目推薦公式40-41
• 4.4.2 一種新的推薦公式41-42
• 4.4.3 實驗分析42-46
• 4.5 改進后的算法在進一步稀疏矩陣中的實驗分析46-48
• 4.5.1 實驗數(shù)據(jù)集47
• 4.5.2 實驗分析47-48
• 4.6 RF/IRF_SVD算法48-52
• 4.6.1 算法描述49-51
• 4.6.2 實驗分析51-52
• 4.7 本章小結(jié)52-54
• 第5章 出版物信息服務(wù)系統(tǒng)推薦子系統(tǒng)的設(shè)計與實現(xiàn)54-60
• 5.1 系統(tǒng)結(jié)構(gòu)54-55
• 5.2 數(shù)據(jù)庫表結(jié)構(gòu)55-56
• 5.3 推薦模型56-59
• 5.4 本章小結(jié)59-60
• 第6章 總結(jié)與展望60-62
• 6.1 總結(jié)60
• 6.2 展望60-62
• 致謝62-63
• 參考文獻63-66
• 攻讀學(xué)位期間的研究成果66

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 王麗麗;;基于信任機制的電子商務(wù)個性化推薦技術(shù)研究[J];電子商務(wù);2011年12期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 肖丹萍;基于用戶特征和偏好的協(xié)同過濾推薦算法[D];暨南大學(xué);2011年

2 陶沙;基于相似云及興趣自適應(yīng)算法的推薦系統(tǒng)研究[D];天津財經(jīng)大學(xué);2011年

3 胡曉欣;技術(shù)轉(zhuǎn)移網(wǎng)絡(luò)化新模式的設(shè)計與應(yīng)用[D];華南理工大學(xué);2011年

4 屈婷婷;電子商務(wù)系統(tǒng)中Web數(shù)據(jù)挖掘技術(shù)的研究與實現(xiàn)[D];電子科技大學(xué);2011年

5 龔勇龍;基于關(guān)聯(lián)規(guī)則的多樣化推薦技術(shù)應(yīng)用研究[D];暨南大學(xué);2012年

6 王穎;基于關(guān)聯(lián)規(guī)則的電子商務(wù)個性化推薦模型研究[D];東北財經(jīng)大學(xué);2012年

7 朱帥;基于微博引用的個性化推薦[D];北京郵電大學(xué);2013年

，

本文編號：822365