發(fā)布時(shí)間：2017-12-31 04:03

  本文關(guān)鍵詞：考慮時(shí)間動(dòng)態(tài)性的協(xié)同過濾算法及其應(yīng)用研究　出處：《河北工業(yè)大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 協(xié)同過濾 個(gè)性化推薦 時(shí)間動(dòng)態(tài)性

【摘要】：隨著電子商務(wù)的崛起,越來(lái)越多的人選擇使用電商去購(gòu)物,同時(shí)對(duì)電商的購(gòu)物體驗(yàn)有個(gè)更高的要求。個(gè)性化推薦系統(tǒng)就是為了增加客戶的購(gòu)物體驗(yàn)而生的,在現(xiàn)實(shí)中應(yīng)用廣泛。個(gè)性化推薦算法中,應(yīng)用最成功的是協(xié)同過濾推薦算法。本文分析了現(xiàn)有協(xié)同過濾算法存在的不足,以及關(guān)于時(shí)間動(dòng)態(tài)性的研究現(xiàn)狀,指出了一個(gè)重要的問題——商品是有先后購(gòu)買順序的。傳統(tǒng)的協(xié)同過濾算法只考慮了用戶或商品之間的相關(guān)程度,并沒有根據(jù)商品的序列模式進(jìn)行挖掘并推薦。本文結(jié)合現(xiàn)有算法的優(yōu)點(diǎn),加入了時(shí)間動(dòng)態(tài)性的特點(diǎn),提出了一個(gè)考慮時(shí)間動(dòng)態(tài)性的協(xié)同過濾推薦綜合性改進(jìn)算法,并通過真實(shí)的電子商務(wù)銷售數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測(cè)試,驗(yàn)證了其推薦效果更佳。本文的主要內(nèi)容包括以下幾點(diǎn):(1)通過對(duì)現(xiàn)有文獻(xiàn)的綜述研究,找到目前學(xué)者們的研究重點(diǎn)和研究方向,總結(jié)現(xiàn)有研究的特點(diǎn),分析傳統(tǒng)協(xié)同過濾推薦算法的不足之處,總結(jié)出現(xiàn)有算法大多只在某一兩個(gè)方面進(jìn)行改進(jìn),而加入時(shí)間動(dòng)態(tài)性的研究也只停留在用戶興趣的改變上,從而引出了本文要研究的方向和重點(diǎn)。(2)結(jié)合現(xiàn)有研究中的優(yōu)秀改進(jìn)方向和改進(jìn)方法,加入商品序列模式的篩選和去除熱門效應(yīng)的影響,提出一個(gè)綜合性的協(xié)同過濾推薦算法解決方案。其核心的思路可以總結(jié)為首先對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理,包括去噪音和聚類等;然后用一個(gè)新的相似度函數(shù)進(jìn)行計(jì)算最近鄰居,這個(gè)相似度計(jì)算函數(shù)考慮了熱門系數(shù),評(píng)分系數(shù)和時(shí)間系數(shù);最后使用GSP算法挖掘商品的序列模式,對(duì)推薦結(jié)果集進(jìn)行再次篩選,解決了用戶買鼠標(biāo)后給其推薦電腦的問題。(3)收集了亞馬遜的真實(shí)評(píng)論數(shù)據(jù),對(duì)本文提出的改進(jìn)算法進(jìn)行實(shí)驗(yàn)設(shè)計(jì)和推薦效果驗(yàn)證。與傳統(tǒng)的協(xié)同過濾算法進(jìn)行比較,提高了推薦的準(zhǔn)確率,并改善了傳統(tǒng)算法中存在的數(shù)據(jù)稀疏性等問題,驗(yàn)證了改進(jìn)算法的推薦效果更優(yōu)秀。
[Abstract]:With the rise of e-commerce, more and more people choose to use electricity to go shopping, the electricity supplier shopping experience has a higher request. Personalized recommendation system is to increase the customer's shopping experience, widely used in reality. The personalized recommendation algorithm, the most successful application of the collaborative filtering algorithm. This paper analyzes the shortcomings of the existing collaborative filtering algorithm, and the research status on time dynamic, pointed out an important issue, commodities have successively purchase order. The traditional collaborative filtering algorithms only consider the degree of correlation between users or commodity, and not according to the sequence pattern of commodity by mining and recommended. This paper combines the advantages of existing algorithm, joined the time dynamic characteristics, a new collaborative filtering algorithm recommended time dynamic comprehensive, and E-commerce sales data real test, verify its better recommendation effect. The main contents of this paper include the following: (1) through a review of existing literature, find the current research emphases and directions of scholars, the characteristics of existing research, analysis on the deficiency of the traditional collaborative filtering recommendation algorithm the present algorithms are only in a certain improvement in one or two aspects, and adding time of dynamic research only stay in the user interest change, which leads to the direction and the focus of this study. (2) combined with the excellent improvement direction in current research and improvement methods, influence the selection of goods series the hot and removal effect, put forward a comprehensive collaborative filtering algorithm solutions. Its core idea can be summed up as the first of the original data set is preprocessed, including To remove the noise and clustering; then calculate the nearest neighbor with a new similarity function, the similarity function is considered hot coefficient, score coefficient and time coefficient; finally we use the GSP algorithm for sequential pattern mining commodities, on the recommendation result set again screening, to solve the user to buy the mouse after its recommended computer problems. (3) collected real data verify the Amazon review, experimental design and effect of improved recommendation algorithm is proposed in this paper. Compared with the traditional collaborative filtering algorithm, improves the accuracy of recommendation, and improve the data sparseness problem of traditional algorithm, verify that the improved algorithm is more effective good.

【學(xué)位授予單位】：河北工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3;F713.36

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張付志;張啟鳳;;融合多系統(tǒng)用戶信息的協(xié)同過濾算法[J];計(jì)算機(jī)工程;2009年21期

2 周麗娟;徐明升;張研研;張璋;;基于協(xié)同過濾的課程推薦模型[J];計(jì)算機(jī)應(yīng)用研究;2010年04期

3 劉淇;陳恩紅;;結(jié)合二部圖投影與排序的協(xié)同過濾[J];小型微型計(jì)算機(jī)系統(tǒng);2010年05期

4 董全德;;基于雙信息源的協(xié)同過濾算法研究[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年07期

5 李聰;;電子商務(wù)協(xié)同過濾可擴(kuò)展性研究綜述[J];現(xiàn)代圖書情報(bào)技術(shù);2010年11期

6 傅鶴崗;李冉;;基于用戶實(shí)時(shí)反饋的協(xié)同過濾算法[J];計(jì)算機(jī)應(yīng)用;2011年07期

7 辛勤芳;;基于項(xiàng)目聚類的協(xié)同過濾算法研究[J];赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版);2011年09期

8 楊君;汪會(huì)玲;艾丹祥;;一種基于情景的多維協(xié)同過濾新方法研究[J];圖書情報(bào)工作;2011年21期

9 王宗武;;基于信任用戶聯(lián)合聚類的協(xié)同過濾算法[J];計(jì)算機(jī)與現(xiàn)代化;2013年09期

10 杜永萍;黃亮;何明;;融合信任計(jì)算的協(xié)同過濾推薦方法[J];模式識(shí)別與人工智能;2014年05期

相關(guān)會(huì)議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類的協(xié)同過濾算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場(chǎng)景的協(xié)同過濾推薦算法[A];中國(guó)系統(tǒng)仿真學(xué)會(huì)第五次全國(guó)會(huì)員代表大會(huì)暨2006年全國(guó)學(xué)術(shù)年會(huì)論文集[C];2006年

5 李建國(guó);姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動(dòng)問題的方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

2 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

3 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機(jī)研究[D];上海交通大學(xué);2011年

4 薛福亮;電子商務(wù)協(xié)同過濾推薦質(zhì)量影響因素及其改進(jìn)機(jī)制研究[D];天津大學(xué);2012年

5 高e，

本文編號(hào)：1358017