本文關鍵詞：基于協(xié)同過濾的電子商務推薦算法的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科學技術的發(fā)展,電子商務已經成為人們生活中必不可缺的一部分。人們享受著電子商務帶來的便捷,但同時也陷入了信息過載的困境:在海量的產品信息中找到自己最需要的產品是一件耗時耗力的工作。這時急需一種新型電子商務系統(tǒng)解決信息過載問題,個性化推薦系統(tǒng)的出現,在一定程度上克服了這一難題。在眾多電子商務個性化推薦算法中,協(xié)同過濾推薦算法是目前應用最廣泛也最為成功的推薦技術之一。然而,傳統(tǒng)的協(xié)同過濾算法存在很多的不足,尚有很大的提升空間。隨著時間的推移,電子商務網站中用戶的數量和商品的數目不斷的增加,用戶-項目評分矩陣會越來越稀疏。如果用戶僅僅利用用戶-項目評分矩陣或項目之間的相似度來計算,就會因為評分數據的稀疏性而得不到更高的精確度。因此,只利用用戶的評分矩陣的協(xié)同過濾推薦算法的推薦質量將會下降。針對這個問題,本文提出將相似度與信任度相結合的協(xié)同過濾推薦算法。首先,我們利用用戶的評分數據計算出原始的用戶之間的相似度;然后利用用戶-項目評分矩陣計算用戶之間的信任度;最后把原始的相似度與信任度加權結合,形成一個新的相似度作為推薦的權重。相比較其他單獨使用用戶-項目評分矩陣計算而來的相似度作為推薦權重的算法而言,新的權重使得推薦矩陣更加稠密,同時可以匹配更多“鄰居”。與只利用評分矩陣計算相似度的協(xié)同過濾推薦算法相比,新提出的方法獲得的推薦矩陣更加稠密,準確度更高。針對目前推薦完全取決用戶評分的情況,而忽略了用戶對產品的情感評論部分,利用基于云模型的情感傾向對比算法,將用戶的評論轉化為分值,不同的情感形成不同的分值,近而形成情感傾向相似度。實驗表明:采用情感相似度的協(xié)同過濾推薦算法具有一定的推薦準確性,在用戶情感更加明確的情況下,該算法會擁有更好的性能。
【關鍵詞】：電子商務 協(xié)同過濾 相似度 信任度 用戶情感
【學位授予單位】：貴州師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要6-7
• ABSTRACT7-9
• 第一章 緒論9-16
• 1.1 研究背景9-10
• 1.2 研究意義10
• 1.3 國內外發(fā)展現狀10-13
• 1.3.1 協(xié)同過濾推薦算法的國外研究現狀11-12
• 1.3.2 國內研究現狀12-13
• 1.4 研究內容13-14
• 1.5 論文結構14-16
• 第二章 電子商務推薦算法相關技術的概述16-28
• 2.1 推薦系統(tǒng)的概述16-18
• 2.2 基于協(xié)同過濾的推薦系統(tǒng)18-22
• 2.2.1 相似度計算方法20-21
• 2.2.2 項目分數預測公式21
• 2.2.3 協(xié)同過濾算法的優(yōu)缺點21-22
• 2.3 基于信任的協(xié)同過濾推薦算法22-25
• 2.3.1 信任的概念22-23
• 2.3.2 信任的性質23
• 2.3.3 信任的分類23-25
• 2.4 基于模型的推薦系統(tǒng)25-28
• 2.4.1 基于聚類算法的模型25-26
• 2.4.2 網狀貝葉斯模型26
• 2.4.3 基于關聯規(guī)則的模型26-28
• 第三章 基于統(tǒng)計模型的協(xié)同過濾推薦算法28-34
• 3.1 基于統(tǒng)計模型的分類28-30
• 3.1.1 向域28-29
• 3.1.2 項目分類29-30
• 3.2 項目分數預測30-31
• 3.3 項目推薦31-32
• 3.3.1 對稀疏矩陣進行填充31
• 3.3.2 生成推薦31-32
• 3.4 實驗及分析32-34
• 3.4.1 實驗數據集32
• 3.4.2 測試標準32
• 3.4.3 實驗結果及分析32-34
• 第四章 相似度與信任度相結合的協(xié)同過濾推薦算法34-41
• 4.1 信任度34-35
• 4.2 基于信任的協(xié)同過濾推薦算法的整體框架35
• 4.3 用戶信任建模35-38
• 4.3.1 直接信任度建模36-37
• 4.3.2 間接信任度建模37-38
• 4.4 基于信任的協(xié)同過濾推薦算法具體步驟38-40
• 4.4.1 計算相似度38-39
• 4.4.2 計算信任度39
• 4.4.3 相似度與信任度結合39-40
• 4.4.4 生成最近鄰居集合40
• 4.4.5 評分預測及推薦40
• 4.5 本章小結40-41
• 第五章 基于云模型的情感傾向對比推薦算法41-52
• 5.1 云模型41-43
• 5.1.1 云的定義41-42
• 5.1.2 云的發(fā)生42-43
• 5.2 用戶評論的情感語料庫43-44
• 5.3 推薦過程44-48
• 5.3.1 用戶評論情感計算45
• 5.3.2 用戶情感詞傾向矩陣的表示45
• 5.3.3 基于云模型的用戶情感向量45-46
• 5.3.4 相似度計算46-47
• 5.3.5 商品推薦47-48
• 5.4 實驗及分析48-52
• 5.4.1 詞頻統(tǒng)計48-49
• 5.4.2 用戶情感處理49-50
• 5.4.3 情感預測實驗50-52
• 第六章 總結與展望52-53
• 參考文獻53-56
• 研究生階段的研究工作56-57
• 致謝57-58

【相似文獻】

中國期刊全文數據庫 前10條

1 楊風召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應用;2007年06期

2 王嵐;翟正軍;;基于時間加權的協(xié)同過濾算法[J];計算機應用;2007年09期

3 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導購系統(tǒng)[J];武漢大學學報(工學版);2008年02期

4 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

5 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學學報;2009年04期

6 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

7 沈磊;周一民;李舟軍;;基于心理學模型的協(xié)同過濾推薦方法[J];計算機工程;2010年20期

8 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進研究[J];計算機技術與發(fā)展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

10 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術的個性化網絡教學平臺研究[J];科技風;2012年06期

中國重要會議論文全文數據庫 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數據庫學術會議論文集（技術報告篇）[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];第二十一屆中國數據庫學術會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術與應用學術會議（CACIS·2009）暨全國第1屆安全關鍵技術與應用學術會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數據庫學術會議論文集（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];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數據庫學術會議論文集(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'中國信息技術與應用學術論壇論文集（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)同推薦中冷啟動問題的方法[A];第二十四屆中國數據庫學術會議論文集（研究報告篇）[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屆中國數據庫學術會議論文集A輯一[C];2010年

中國博士學位論文全文數據庫 前10條

1 紀科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學;2016年

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

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

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

5 薛福亮;電子商務協(xié)同過濾推薦質量影響因素及其改進機制研究[D];天津大學;2012年

6 高e

本文編號：324683