1 引言

1.1研究背景及意義
1.1.1研究背景

在現(xiàn)代生活中，企業(yè)形式日趨多樣。在眾多的企業(yè)中，零售企業(yè)呈現(xiàn)出飛速發(fā)展之勢(shì)，但同時(shí)也面臨著諸多的挑戰(zhàn)。例如評(píng)估用戶對(duì)商品的感興趣程度，以及從市場(chǎng)的角度準(zhǔn)確評(píng)價(jià)商品等等，這些挑戰(zhàn)在交揚(yáng)過程中往往會(huì)轉(zhuǎn)化為如何找到用戶與商品間的最佳搭配。近年來，很多零售企業(yè)開始涉足電子商務(wù)領(lǐng)域，幵展網(wǎng)絡(luò)零售，并且發(fā)展速度很快。據(jù)第三方電子商務(wù)研究機(jī)構(gòu)中國電子商務(wù)研究中心（100EC.cn)發(fā)布的《2013年度中國網(wǎng)絡(luò)零售市場(chǎng)數(shù)據(jù)監(jiān)測(cè)報(bào)告》報(bào)告顯示：截止到2013年底，中國網(wǎng)絡(luò)零售市場(chǎng)交易規(guī)模達(dá)18851億元，同比增長(zhǎng)42.8%。報(bào)告還預(yù)測(cè)，2014年全國網(wǎng)絡(luò)零售市場(chǎng)交易額有望達(dá)到27861億元。截止到2013年底，中國網(wǎng)絡(luò)零售市場(chǎng)交易規(guī)模占當(dāng)年社會(huì)消費(fèi)品零售總額的8.04%，而這一數(shù)據(jù)比例在2012年僅為6.3%，預(yù)計(jì)這一比例還將保持?jǐn)U大態(tài)勢(shì)，到2014年有望達(dá)到9.8%�？傮w來看，這些數(shù)據(jù)的背后意味著電子商務(wù)已經(jīng)開始改變零售業(yè)的格局，為零售業(yè)的蓬勃發(fā)展注入了生命活力。

電子商務(wù)沒有傳統(tǒng)商業(yè)模式存在的地域限制，消費(fèi)者有更大的選擇空間。但隨著互聯(lián)網(wǎng)上的信息迅速膨脹出現(xiàn)了 “信息過載”現(xiàn)象，即當(dāng)用戶在網(wǎng)站瀏覽或購買時(shí)，因網(wǎng)站中充斥著各種各樣的物品，可能會(huì)有多種分類供用戶選擇；用戶產(chǎn)生了越來越強(qiáng)的信息過濾需求；其口味也越來越個(gè)性化；用戶興趣變化急需及時(shí)捕捉。用戶如何從海量的資源中快速地找到喜歡的物品是目前急需要解決的問題，而且用戶也需要一種能根據(jù)自己的需求自動(dòng)提供感興趣物品的技術(shù)。從零售商的角度來看，盡管發(fā)展電子商務(wù)機(jī)遇巨大，但其卻必須解決一個(gè)更高層次的復(fù)雜問題：近年來，由于用戶和商品數(shù)量的增加，需要零售商開發(fā)一個(gè)系統(tǒng)的推薦列表。該列表或是一個(gè)針對(duì)目標(biāo)顧客的項(xiàng)目列表，或是針對(duì)目標(biāo)物品的用戶列表，讓用戶更容易發(fā)現(xiàn)其所感興趣的信息，也讓信息更便捷地傳送給所適合的用戶。在這種情況下，電子商務(wù)推薦系統(tǒng)應(yīng)運(yùn)而生。

電子商務(wù)推薦系統(tǒng)的實(shí)現(xiàn)原理是：通過對(duì)用戶購物交易記錄及用戶對(duì)物品評(píng)分、評(píng)價(jià)、用戶的歷史訪問日志等相關(guān)信息的處理（評(píng)價(jià)所需的基礎(chǔ)數(shù)據(jù)），發(fā)現(xiàn)并挖掘用戶的購物偏好，然后向其推薦相似的其他物品。電子商務(wù)推薦系統(tǒng)的作用主要表現(xiàn)在三方面：（1)可以拓展新用戶，將電子商務(wù)網(wǎng)站的瀏覽者、觀察者等潛在型用戶，最終轉(zhuǎn)化為實(shí)際的購買者；(2)能夠有效保留老用戶，為老用戶繼續(xù)提供良好的服務(wù)體驗(yàn)，提高其對(duì)電子商務(wù)網(wǎng)站用戶的忠誠度，增加用戶的黏性；(3)推薦多樣化的相關(guān)物品，增加銷售成功概率，提高電子商務(wù)網(wǎng)站的交叉銷售能力。另外，有研究表明，成功有效的電子商務(wù)推薦系統(tǒng)能夠提高網(wǎng)站的銷售額8%~10%[1]。因此，通過電子商務(wù)推薦系統(tǒng)進(jìn)行網(wǎng)絡(luò)零售是電子商務(wù)活動(dòng)中極其重要的一環(huán)。

......

1.2相關(guān)概念
當(dāng)前社會(huì)，互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展使得信息發(fā)布和傳播的速度越來越快，方式越來越便捷，但不斷增長(zhǎng)和豐富的海量數(shù)據(jù)卻帶來了嚴(yán)重的信息過載和信息冗余問題。面對(duì)龐雜的數(shù)據(jù)，人們?cè)絹碓诫y以找到自己所需要的信息，這種情況下，當(dāng)用戶不明確自己的需求或者需要更符合個(gè)人喜好的物品時(shí)，僅僅依賴傳統(tǒng)搜索已不能完全滿足用戶的需求，無差別的信息呈現(xiàn)使得用戶較難尋找到自己喜歡的產(chǎn)品信息，互動(dòng)性較差，用戶體驗(yàn)也較差。解決上述問題的一條非常有效的途徑是采用推薦系統(tǒng)。“推薦”在《現(xiàn)代漢語詞典》中的釋義為：介紹合適的人或事物希望被任用或接受。推薦可以分為大眾化推薦和個(gè)性化推薦。大眾化推薦指的是根據(jù)大眾行為，對(duì)每個(gè)用戶都給出同樣的推薦。大眾化推薦所提供的可以是靜態(tài)的由系統(tǒng)管理員人工設(shè)定的物品或其他信息，也可以是基于系統(tǒng)所有用戶的反饋統(tǒng)計(jì)所計(jì)算出的當(dāng)前階段比較流行的物品或其他信息。不同于大眾化推薦，個(gè)性化推薦是根據(jù)用戶的興趣特征及購買行為，向用戶推薦其感興趣的物品或其他信息。個(gè)性化推薦針對(duì)不同的用戶，根據(jù)其口味和偏好提供更加精確的推薦。這種推薦要求系統(tǒng)對(duì)需推薦的內(nèi)容和用戶的特征要了解，或者基于社會(huì)化網(wǎng)絡(luò)，通過尋找與當(dāng)前用戶相同偏好的用戶以實(shí)現(xiàn)推薦。在一般情況下，大多數(shù)人們討論的推薦均屬于個(gè)性化推薦。個(gè)性化推薦是更加智能的信息發(fā)現(xiàn)過程。而個(gè)性化推薦系統(tǒng)中應(yīng)用范圍最廣、推薦效果最明顯的就是電子商務(wù)推薦系統(tǒng)。
1.2.1電子商務(wù)推薦系統(tǒng)

電子商務(wù)推薦系統(tǒng)一方面可以起到購物助手的作用，另一方面它還是建立在數(shù)據(jù)挖掘基礎(chǔ)上的智能服務(wù)平臺(tái)，可以幫助商家實(shí)現(xiàn)利益最大化。當(dāng)前的電子商務(wù)推薦系統(tǒng)中，一般都是在不同的場(chǎng)景下使用不同的推薦策略，從而達(dá)到最好的推薦效果，很少有僅僅采用一個(gè)推薦策略的推薦系統(tǒng)。例如亞馬遜（Amazon)的推薦系統(tǒng)，采用的就是將基于用戶本身歷史購買記錄數(shù)據(jù)的推薦，以及將大眾喜好的當(dāng)下較為流行的物品在不同區(qū)域推薦給用戶，這樣可以使得用戶在全方位的推薦中找到自己真正感興趣的物品。簡(jiǎn)而言之，對(duì)電子商務(wù)零售網(wǎng)站而言，電子商務(wù)推薦系統(tǒng)是一種提升其整體營銷性能的個(gè)性化推薦工具。其原理為：從微觀角度看，電子商務(wù)推薦系統(tǒng)通過采用個(gè)性化推薦技術(shù)，調(diào)節(jié)網(wǎng)站整體的流量結(jié)構(gòu)，增加物品的曝光數(shù)以及用戶對(duì)物品頁的訪問量（glance view)，增加用戶的平均訪問步長(zhǎng)，降低其跳出率。更進(jìn)一步，該系統(tǒng)會(huì)影響物品的轉(zhuǎn)化率、動(dòng)銷數(shù)以及銷售額，這樣就可以從根本上提升電子商務(wù)零售網(wǎng)站的整體營銷性能。從宏觀角度看，電子商務(wù)推薦系統(tǒng)通過建立以用戶為中心的個(gè)性化的營銷策略，幫助使用者提升用戶的忠誠度，增加其粘性，在最恰當(dāng)?shù)臅r(shí)機(jī)為用戶提供最急需的信息，讓用戶的購物體驗(yàn)更加及時(shí)舒適。

......

2單類協(xié)同過濾的相關(guān)理論及方法

2.1協(xié)同過濾推薦的原理及分類
2.1.1協(xié)同過濾算法的原理
常見的獲取用戶偏好信息的來源主要分為兩類：顯式評(píng)分和隱式評(píng)分。每一個(gè)評(píng)分均表示為一個(gè)用戶一項(xiàng)目對(duì)。顯式評(píng)分是用戶明確表明偏好的信息，一般通過用戶對(duì)項(xiàng)目的直接評(píng)分來實(shí)現(xiàn)。隱式評(píng)分則認(rèn)為用戶的行為會(huì)反映用戶的偏好特征，因此主要選擇的數(shù)據(jù)是用戶的行為，如點(diǎn)擊、收藏等。
推薦結(jié)果的表現(xiàn)形式一般可分為兩種：有序項(xiàng)目列表及預(yù)測(cè)評(píng)分。有序項(xiàng)目列表常采用的是Top-N推薦，為用戶提供N個(gè)最可能喜歡的項(xiàng)目，這與“熱門推薦”是有區(qū)別的，“熱門推薦”是大眾化的推薦，為每個(gè)用戶推薦內(nèi)容是一樣的，而Top-N推薦則是針對(duì)用戶的個(gè)性化的推薦，為不同的用戶推薦不同的物品或項(xiàng)目。預(yù)測(cè)評(píng)分則是推薦系統(tǒng)針對(duì)給定的項(xiàng)目提供一個(gè)目標(biāo)用戶可能的預(yù)測(cè)評(píng)分值。例如，瀏覽電影時(shí)，系統(tǒng)通常會(huì)依據(jù)用戶特征，為一系列電影給予評(píng)分值，以供用戶參考。
基于內(nèi)存的協(xié)同過濾（Memory-based Collaborative Filtering),有時(shí)也稱之為基于鄰居的協(xié)同過濾（Neighbor-based Collaborative Filtering)(SCHAFER J B，1999，BEN J, 2001) [38-39]。該類算法通過采用用戶相似性統(tǒng)計(jì)的方法，進(jìn)而對(duì)具有相似購物偏好的鄰居用戶進(jìn)行判斷，獲得當(dāng)前目標(biāo)用戶的相似鄰居，然后再基于其鄰居的偏好進(jìn)行推薦。
基于模型的協(xié)同過濾（Model-based Collaborative Filtering),該類算法在對(duì)用戶偏好預(yù)測(cè)之前，首先會(huì)根據(jù)用戶歷史訪問記錄等數(shù)據(jù)建立一個(gè)模型，然后依據(jù)該模型對(duì)用戶的偏好進(jìn)行預(yù)測(cè)。在這類算法中，典型使用的技術(shù)包括：神經(jīng)網(wǎng)絡(luò)技術(shù)、潛在語義檢索（latent semantic indexing) (Huang et al, 2004) _以及貝葉斯網(wǎng)絡(luò)技術(shù)（Bayesi an networks )等。從另一角度，根據(jù)協(xié)同過濾的相關(guān)特征，協(xié)同過濾算法可分為基于用戶的協(xié)同過濾算法、基于項(xiàng)目的協(xié)同過濾算法。
基于項(xiàng)目的協(xié)同過濾算法（Item-based Collaborative Filtering)由 Sarwar[4i]教授于2001年提出，該算法先分別計(jì)算用戶已評(píng)價(jià)產(chǎn)品及未評(píng)價(jià)產(chǎn)品的相似性，將其作為權(quán)重，，然后通過加權(quán)計(jì)算已評(píng)價(jià)產(chǎn)品的評(píng)價(jià)值，得到未評(píng)價(jià)產(chǎn)品的評(píng)價(jià)值。在論文中Sarwar教授還指出了基于項(xiàng)目的協(xié)同過濾推薦算法所具有的優(yōu)勢(shì)，并且解決了協(xié)同過濾在之前研究中所遇到的問題。基于項(xiàng)目的協(xié)同過濾算法是通過目標(biāo)項(xiàng)目與其他項(xiàng)目集合之間的相似性計(jì)算來產(chǎn)生推薦的，但它會(huì)存在如用戶對(duì)項(xiàng)目的評(píng)分過少容易忽略項(xiàng)目自身屬性的問題，這樣也會(huì)造成預(yù)測(cè)的精度不準(zhǔn)確[42]。

總之，基于用戶和項(xiàng)目的協(xié)同過濾算法各有優(yōu)劣。基于用戶的算法可以實(shí)現(xiàn)跨類型的推薦，但受數(shù)據(jù)稀疏性影響較大；而基于項(xiàng)目的算法雖然受數(shù)據(jù)稀疏性影響較小，卻無法進(jìn)行跨類型的推薦。Premm[43]教授（2002)通過對(duì)各種推薦算法重新梳理和審視，認(rèn)為基于項(xiàng)目的協(xié)同過濾推薦算法其準(zhǔn)確度與所采用的實(shí)驗(yàn)規(guī)模數(shù)據(jù)相關(guān)，在大多數(shù)情況下還是運(yùn)用基于用戶的協(xié)同過濾推薦會(huì)好一些。

......

2.2單類協(xié)同過濾推薦算法的原理
協(xié)同過濾算法在國內(nèi)外得到了廣泛研究，按處理的數(shù)據(jù)的不同主要可分為兩類：一類是顯示數(shù)據(jù)，如：評(píng)分、評(píng)價(jià)等；另一類則是隱式數(shù)據(jù)。較顯示數(shù)據(jù)而言，隱式數(shù)據(jù)在現(xiàn)實(shí)世界中的存在會(huì)更普遍一些，例如用戶是否點(diǎn)擊過某個(gè)網(wǎng)頁，是否購買過某種物品。這類信息不需要獲取用戶對(duì)物品明確的喜好信息，因此更容易獲得。但這類數(shù)據(jù)中僅可以明確區(qū)分正例，負(fù)例是不確定的，因此，這類問題可以被稱為單類協(xié)同過濾（One Class Collaborative Filtering, OCCF) 問題。單類協(xié)同過濾所研究的數(shù)據(jù)集的用戶和項(xiàng)目之間缺乏或者完全沒有評(píng)分?jǐn)?shù)據(jù)，而只有布爾化的點(diǎn)擊數(shù)據(jù)（如對(duì)于新聞網(wǎng)站，用戶只有點(diǎn)擊與否的二值數(shù)據(jù)；對(duì)視頻網(wǎng)站，用戶只有觀看與否的二值數(shù)據(jù)，諸如此類的，都缺乏數(shù)值化的評(píng)分?jǐn)?shù)據(jù)）。單類協(xié)同過濾推薦就是通過分析這些隱式信息來針對(duì)特定用戶的偏好對(duì)推薦對(duì)象集按該用戶的喜好程度排序。盡管這類數(shù)據(jù)獲取容易，但其極度稀疏，無法輕易解釋，以用戶點(diǎn)擊網(wǎng)頁數(shù)據(jù)為例，這些數(shù)據(jù)中用戶點(diǎn)擊過的網(wǎng)頁構(gòu)成的數(shù)據(jù)可以解釋為正例，其余絕大部分?jǐn)?shù)據(jù)是負(fù)例和漏掉的正例的混合，如何解決這些數(shù)據(jù)的稀疏性，如何對(duì)這些數(shù)據(jù)進(jìn)行有效處理，是當(dāng)前單類協(xié)同過濾問題研究的難點(diǎn)所在。
單類協(xié)同過濾推薦問題是一個(gè)研究較少的問題，基于單類協(xié)同過濾的方法的有效性依賴于對(duì)非標(biāo)記的或缺失的數(shù)據(jù)集的處理和考慮，即，它的基本思想是構(gòu)造負(fù)例（消極數(shù)據(jù)集）。近年來，一些學(xué)者幵始關(guān)注消極數(shù)據(jù)集，基于頻數(shù)信息，如顧客數(shù)量，商品數(shù)量，商品的受歡迎程度等，應(yīng)用權(quán)重分配的矩陣因子分解技術(shù)對(duì)單類協(xié)同過濾問題進(jìn)行相應(yīng)的研究。相對(duì)于協(xié)同過濾推薦問題，單類協(xié)同過濾推薦問題的研究較少。單類協(xié)同過濾問題一方面由于積極數(shù)據(jù)集（存在數(shù)據(jù)稀疏性問題）很少，而另一方面，其他的兩類數(shù)據(jù)集，消極和缺失數(shù)據(jù)集，又很容易混淆，因此研究較為困難。同時(shí)，也可以說明，在單類協(xié)同過濾推薦方面還有很大的研究空間，有待進(jìn)一步的探索和深入。在綜合已有學(xué)者對(duì)單類協(xié)同過濾推薦問題的研究基礎(chǔ)上，可將常用的解決方法概括為以下幾種：
(1)在數(shù)據(jù)集中標(biāo)注評(píng)分值的樣本，或是引入其他數(shù)據(jù)來源的評(píng)分，從而將其轉(zhuǎn)化為傳統(tǒng)的協(xié)同過濾問題。但這種方法通常是需要人工實(shí)現(xiàn)的，并且由于合理的新數(shù)據(jù)來源較為難找

(2)把所有的丟失數(shù)據(jù)，即用戶沒有正面操作（如點(diǎn)擊、觀看）的例子當(dāng)作負(fù)例（AMAN, All Missing Are Negative),然后通過協(xié)同過濾算法進(jìn)行計(jì)算。這種方法較容易實(shí)現(xiàn)。在AMAN的前提下，前文所述的大多數(shù)傳統(tǒng)的協(xié)同過濾算法都能夠直接應(yīng)用。例如：在AMAN基礎(chǔ)上，運(yùn)用奇異值分解（SVD)技術(shù)可實(shí)現(xiàn)基于矩陣分解的協(xié)同過濾算法，還可實(shí)現(xiàn)基于用戶相似度和項(xiàng)目相似度的協(xié)同過濾方法。

......

3基于實(shí)時(shí)信息的單類協(xié)同過濾算法設(shè)計(jì).........26
3.1問題分析...........................26
3.2單類協(xié)同過濾模型及公式.........28
3.3改進(jìn)算法的依據(jù)..................30
4基于實(shí)時(shí)信息的單類協(xié)同過濾算法的仿真研究.........36
4.1數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn)..................36
4.1.1數(shù)據(jù)集選擇..................36
4.1.2推薦質(zhì)量的評(píng)估標(biāo)準(zhǔn).........37
4.2運(yùn)行方案設(shè)計(jì)..................37
5結(jié)論與展望..................45
5.1論文主要研究?jī)?nèi)容總結(jié).........45

5.2論文的展望..................46

4基于實(shí)時(shí)信息的單類協(xié)同過濾算法的仿真研究

4.1數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn)
4.1.1數(shù)據(jù)集選擇
為分析和驗(yàn)證本文提出的基于實(shí)時(shí)信息的單類協(xié)同過濾推薦算法的推薦效果，本章選取了一個(gè)被廣泛使用和認(rèn)可的實(shí)驗(yàn)數(shù)據(jù)集，設(shè)計(jì)合理可行的實(shí)驗(yàn)過程和評(píng)估標(biāo)準(zhǔn)，通過簡(jiǎn)單編程實(shí)現(xiàn)上述的推薦算法，并對(duì)其準(zhǔn)確性——未評(píng)分項(xiàng)目預(yù)測(cè)結(jié)果的準(zhǔn)確性進(jìn)行了比較，以測(cè)試本文提出的基于實(shí)時(shí)信息的單類協(xié)同過濾推薦算法的合理性和有效性。本文實(shí)驗(yàn)選用的數(shù)據(jù)集是MovieLens數(shù)據(jù)集，該數(shù)據(jù)集由Minnesota大學(xué)GroupLens Research項(xiàng)目組所收集。MovieLens站點(diǎn)建立于1997年，是一個(gè)基于Web的研究型推薦系統(tǒng)，該系統(tǒng)一方面接收用戶對(duì)電影的評(píng)分，另一方面可為其提供電影推薦列表。目前，該Web站點(diǎn)已擁有超過70000名的用戶，超過5000部帶有評(píng)分的電影。電影評(píng)分是從1到5的整數(shù)，數(shù)值越高，表示用戶對(duì)該電影的喜愛程度越高，未被評(píng)分的電影占到總體數(shù)據(jù)的大多數(shù)，這也正體現(xiàn)了前文所述的數(shù)據(jù)稀疏性問題。
針對(duì)所有的評(píng)價(jià)，本文截取GroupLens研究組提供的MovieLens數(shù)據(jù)集的一部分，該部分?jǐn)?shù)據(jù)的收集時(shí)間為1997年的9月到1998年的4月，共包含943個(gè)用戶和1682部電影，其中，每個(gè)用戶至少對(duì)20部電影有評(píng)分，共計(jì)100,000條評(píng)價(jià)記錄。這個(gè)數(shù)據(jù)集非常稀疏，其稀疏等級(jí)為：1-100，000/(943*1682)=6.305%，即僅6.305%的項(xiàng)有評(píng)分。為把該數(shù)據(jù)集轉(zhuǎn)換為隱式數(shù)據(jù)集，所有有評(píng)分的數(shù)據(jù)評(píng)分值均設(shè)為1，其他所有沒有評(píng)分的數(shù)據(jù)值設(shè)為0,這樣數(shù)據(jù)集就符合了單類協(xié)同過濾的基本要求。另外，為方便后文具體的試驗(yàn)，選取了該部分?jǐn)?shù)據(jù)的80%作為訓(xùn)練集，剩余20%的數(shù)據(jù)為測(cè)試集。在訓(xùn)練時(shí)采用訓(xùn)練集中的數(shù)據(jù)，得到推薦后用測(cè)試集中的數(shù)據(jù)進(jìn)行測(cè)試，得到相關(guān)的數(shù)值，進(jìn)而分析判斷推薦算法的優(yōu)劣。

在該數(shù)據(jù)集的數(shù)據(jù)庫中主要有6張數(shù)據(jù)表：Users (用戶）、movies (電影）、ratings (評(píng)分）、age (年齡）、genres (性別）和occupation (職業(yè)）。其中，所推薦的電影主要包括以下種類：action (動(dòng)作片）、adventure (冒險(xiǎn)片）、animation (動(dòng)畫片）、children's (兒童片）、comedy (喜劇片）、crime (犯罪片）、documentary (紀(jì)錄片）、drama (劇情片）、fantasy (幻想片）、Film-Noir (黑色片）、Horror (恐怖片）、Musial (音樂劇）、mystery (神秘劇）、Romance (愛情片）、Sci-Fi (科幻片）、Thriller (驚悚片）、War (戰(zhàn)爭(zhēng)片）和Western (西部片）。

......

5結(jié)論與展望

5.1論文主要研究?jī)?nèi)容總結(jié)
在電子商務(wù)飛速發(fā)展的時(shí)代，一個(gè)擁有優(yōu)秀電子商務(wù)推薦系統(tǒng)的網(wǎng)站不僅能夠獲得使用者——用戶的喜愛，還能夠幫助企業(yè)或商家發(fā)掘用戶信息中的有用信息，從而改進(jìn)其營銷推廣策略。電子商務(wù)推薦系統(tǒng)中除了大眾化的推薦技術(shù)職務(wù)，更重要的是個(gè)性化的推薦方式，好的推薦技術(shù)可以讓電子商務(wù)網(wǎng)站實(shí)現(xiàn)好的個(gè)性化推薦效果，而協(xié)同過濾就是眾多技術(shù)中的佼佼者。在協(xié)同過濾領(lǐng)域有一類較為新穎的研究課題，即單類協(xié)同過濾，其對(duì)負(fù)例的處理方式在很大程度上能夠改善推薦效果。本文就單類協(xié)同過濾問題進(jìn)行相應(yīng)的研究，由于單類協(xié)同過濾本身存在的問題較多，本文就其技術(shù)重點(diǎn)稀疏性問題及實(shí)時(shí)性問題，提出了一個(gè)綜合性的解決方法。所做工作總結(jié)如下：
(1)對(duì)電子商務(wù)推薦系統(tǒng)進(jìn)行了簡(jiǎn)要介紹，對(duì)其常用的推薦技術(shù)和算法進(jìn)行了歸類和比較。在此基礎(chǔ)上，就其最重要的推薦技術(shù)——協(xié)同過濾進(jìn)研究，分析了其基本原理和分類，明確在此研究領(lǐng)域所存在的不足：未考慮不能明確表示用戶偏好的數(shù)據(jù)，未能將實(shí)時(shí)性因素中的物品生命周期因素考慮在內(nèi)。
(2)針對(duì)協(xié)同過濾推薦存在的問題，提出了本文的研究對(duì)象——單類協(xié)同過濾推薦。單類協(xié)同過濾推薦就是利用不能明確表示用戶偏好的數(shù)據(jù)進(jìn)行的推薦算法。本文對(duì)其原理及技術(shù)重點(diǎn)進(jìn)行了概述，在此基礎(chǔ)上，就其技術(shù)重點(diǎn)數(shù)據(jù)稀疏性問題和實(shí)時(shí)性問題進(jìn)行了分析。
(3)通過采用不同的加權(quán)方式，引入實(shí)時(shí)信息，如用戶的歷史訪問（評(píng)估階段）和物品的投入市場(chǎng)信息（物品生命周期）等，就此信息分別構(gòu)造權(quán)重函數(shù)，建立了基于實(shí)時(shí)信息的單類協(xié)同過濾推薦模型。

(4)對(duì)設(shè)計(jì)的基于實(shí)時(shí)信息的單類協(xié)同過濾模型進(jìn)行了仿真研究：首先通過對(duì)數(shù)據(jù)集有評(píng)分值的項(xiàng)設(shè)為1，沒有評(píng)分值的項(xiàng)設(shè)為0，以此滿足單類協(xié)同過濾研究對(duì)象的特征。然后運(yùn)用奇異值分解矩陣的方法對(duì)數(shù)據(jù)集進(jìn)行處理，在一定程度上對(duì)龐大的矩陣進(jìn)行降維，接著將該模型中的實(shí)時(shí)的以用戶為中心的加權(quán)算法及實(shí)時(shí)的以物品為中心的加權(quán)算法與已存在的基礎(chǔ)方法進(jìn)行仿真對(duì)比。通過測(cè)試在不同的情況下：數(shù)據(jù)、變量確定；矩陣秩數(shù)目改變；不同交易頻率情況；迭代次數(shù)變化；物品生命周期的改變（在一定范圍內(nèi)）等的推薦效果，證明本文中的基于實(shí)時(shí)信息的單類協(xié)同過濾算法要優(yōu)于其他基礎(chǔ)方法。

......

參考文獻(xiàn)（略）

本文編號(hào)：42943