【摘要】：隨著家居電商的進(jìn)一步發(fā)展,用戶對(duì)個(gè)性化推薦的需求與日俱增,各種各樣的推薦算法開始應(yīng)用其中。傳統(tǒng)的聚類推薦算法,每個(gè)參與的用戶或物品只能屬于一種類別,因此很難描述每個(gè)參與聚類的對(duì)象多個(gè)方面的特性�；趦�(nèi)存的協(xié)同過濾推薦算法和聚類改進(jìn)的協(xié)同過濾推薦算法預(yù)測(cè)準(zhǔn)確度不高,且難以解決數(shù)據(jù)稀疏帶來的影響。針對(duì)這些不足之處,本文提出了一種混合推薦算法LPHRA。該算法提高了預(yù)測(cè)準(zhǔn)確度,解決了數(shù)據(jù)稀疏性帶來的應(yīng)用局限性。本文的主要研究成果如下:1.針對(duì)LSPM在物品類別推薦方面存在的不足,提出影響因子,對(duì)其中的關(guān)鍵算法EM算法進(jìn)行參數(shù)的改進(jìn)。實(shí)驗(yàn)證明影響因子提高了預(yù)測(cè)的準(zhǔn)確度。EM算法允許用戶以及物品屬性可以屬于多個(gè)隱類,適用性更強(qiáng)。LSPM對(duì)于新加入的用戶也能夠進(jìn)行較為準(zhǔn)確的推薦。2.LPHRA對(duì)某一類別物品的具體推薦通過PVH衡量。在物品的某一類別中,選取一些PVH屬性良好的物品,加入推薦列表,這樣可以根據(jù)用戶的瀏覽習(xí)慣得到個(gè)性化的推薦。實(shí)驗(yàn)表明該混合推薦算法與傳統(tǒng)的協(xié)同過濾推薦算法相比,預(yù)測(cè)的準(zhǔn)確性更高,預(yù)測(cè)結(jié)果更接近用戶偏好。3.基于混合推薦算法LPHRA,設(shè)計(jì)并實(shí)現(xiàn)一個(gè)家居裝飾系統(tǒng)。經(jīng)過系統(tǒng)實(shí)驗(yàn)測(cè)試,該家居裝飾系統(tǒng)在使用LPHRA推薦算法進(jìn)行方案推薦的時(shí)候,在用戶體驗(yàn)和預(yù)測(cè)準(zhǔn)確度上優(yōu)于傳統(tǒng)的協(xié)同過濾推薦算法和聚類改進(jìn)的協(xié)同過濾推薦算法。
【圖文】：

第二章 推薦系統(tǒng)的技術(shù)基礎(chǔ)于用戶的協(xié)同過濾推薦算法通過捕捉用戶的歷史行為數(shù)據(jù)，分析得，進(jìn)而對(duì)這些喜好進(jìn)行打分評(píng)價(jià)。通過比較不同的用戶對(duì)于相同的的相似度，來估量不同用戶之間的聯(lián)系緊密度。舉個(gè)例子，，用戶甲品 A 和商品 B，這兩個(gè)用戶就具有一定的相似度，系統(tǒng)就有可能將其他商品再推薦給用戶乙。基于用戶的協(xié)同過濾推薦算法主要可以面來實(shí)現(xiàn)：

圖 2-2 基于用戶的協(xié)同過濾散點(diǎn)圖法散點(diǎn)圖是直觀的，但是評(píng)價(jià)的標(biāo)準(zhǔn)過于簡(jiǎn)單，無法深層次的描述用戶之間的度。對(duì)用戶之間的相似度無法量化。2）歐幾里德距離評(píng)價(jià)歐幾里德距離評(píng)價(jià)是在散點(diǎn)圖的基礎(chǔ)上，通過用戶之間在散點(diǎn)圖上的距離量戶之間的相似程度[27]。由于用戶在散點(diǎn)圖上的距離與用戶的相似度是反相關(guān)因此在距離的基礎(chǔ)上又取了倒數(shù)來形象地表示用戶之間的相似性。對(duì)于之前個(gè)用戶對(duì)兩件商品的評(píng)價(jià)，為這五個(gè)用戶之間的相互距離取歐幾里德距離系如表 2-2 所示。2．基于物品的協(xié)同過濾推薦算法基于物品的協(xié)同過濾計(jì)算不同用戶對(duì)不同物品的評(píng)分獲得物品之間的關(guān)系，物品間的關(guān)系給用戶推薦相似的物品�；谖锲返膮f(xié)同過濾推薦算法主要可以下幾個(gè)方面來實(shí)現(xiàn)：
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李穎基,彭宏,鄭啟倫,曾煒;自動(dòng)分層推薦算法[J];計(jì)算機(jī)應(yīng)用;2002年11期

2 徐義峰;徐云青;劉曉平;;一種基于時(shí)間序列性的推薦算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2006年10期

3 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

4 張海玉;劉志都;楊彩;賈松浩;;基于頁(yè)面聚類的推薦算法的改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年09期

5 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

6 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國(guó)科技信息;2009年07期

7 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

8 王文;;個(gè)性化推薦算法研究[J];電腦知識(shí)與技術(shù);2010年16期

9 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評(píng)價(jià)估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

10 夏秀峰;代沁;叢麗暉;;用戶顯意識(shí)下的多重態(tài)度個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

相關(guān)會(huì)議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[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（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

3 秦國(guó);杜小勇;;基于用戶層次信息的協(xié)同推薦算法[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（技術(shù)報(bào)告篇）[C];2004年

4 周玉妮;鄭會(huì)頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動(dòng)商務(wù)個(gè)性化推薦系統(tǒng)[A];社會(huì)經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第17屆學(xué)術(shù)年會(huì)論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時(shí)推薦算法[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號(hào)：2532136