基于内容和协同过滤的混合算法在推荐系统中的应用研究

《基于内容和协同过滤的混合算法在推荐系统中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于内容和协同过滤的混合算法在推荐系统中的应用研究第一章绪论1.1研究背景及意义网络技术迅猛发展，网络资源日益丰富，为人们的生活提供了便利和选择，用户渐渐依赖网络来收集提供信息。然而，呈爆炸式增长的网络资源数量，也为用户带来了困扰。大量资源信息的同时呈现，让用户需要花费更多的时间来搜寻自己真正需求的信息，甚至需求信息还可能被无用信息淹没，面临找不到的可能性。这就是所谓的信息爆炸问题[1]。如何从眼花缭乱的信息中筛选出用户真正需要的，变得越来越重要。搜索引擎就是为解决这一问题诞生的，然而搜索引擎对所有用户返回相同的信息，没有考虑因人而异，用户依旧需要花费大量时

2、间去筛选无用信息。因此，如何在信息膨胀的同时还不流失用户，就需要根据用户个人偏好对海量信息进行过滤。为了更好地了解用户的个性化需求，推荐系统随之出现。推荐系统[2]就是从海量信息中根据不同用户的兴趣特征，挖掘出用户可能感兴趣或有需求的资源，并进行推荐。作为一种以海量数据挖掘为基础的BI[3]平台，它被认为是解决信息爆炸最有效的工具之一。推荐系统本质上是通过分析用户已选择的资源，来代替用户评估某些他从未接触产品的喜欢程度（包括电影、音乐、书籍、网页、旅游景点、饭店等等），并将预测结果中喜欢程度最高的产品反馈给用户。推荐系统模拟商场的导购人员[4]，通过明确用户

3、需求，快速帮助用户找到所需商品，完成购买过程；同时根据对用户浏览及购买产品的观察，推荐系统能挖掘用户的个人兴趣偏好，适时地给用户推荐已购买商品的相关产品或未购买但有价值商品，提高用户购买率，促进产品的交叉销售；此外，如果推荐商品符合用户心意，也能加深用户对网站的印象，提高用户满意度以及对网站的依赖程度。利用推荐系统的个性化定制特性，哪怕是浏览相同的页面，网站也能根据不同用户的兴趣爱好，提供独一无二的推荐，实现真正的一对一服务。早在2002年，纽约的CyberDialogue[5]就对用户消费进行调查并发现：利用个性化服务来购物的消费者有28%的消费水平在20

4、00美金以上，而利用传统模式购物的消费者仅有17%的消费水平在2000美金以上；并且，愿意为线上订阅付费的客户中，利用个性化服务来购物的也比传统模式购物的客户比例高得多。.........1.2研究现状信息时代的来临，电子商务正如火如荼地发展着。如何根据用户的兴趣偏好为其定制个性化的推荐使得推荐系统成为IT技术的又一重要研究领域[10]，得到越来越多国内外学者的共同关注。从1999年开始每年如期举办的ACM电子商务研讨会中，有关于推荐系统的研究文章比重越来越大。第一届Applicationofknoanagement、第十五届ConferenceonArti

5、ficialIntelligence等也花费越来越多的精力在推荐系统的研究上。近年来，我国的专家学者也越发重视智能推荐的研究工作，自然科学基金曾资助电子商务个性推荐系统及应用研究、面向电子商务的客户偏好分析及个性化分析系统[12]。为了更好地发展推荐系统，许多国内外学者对系统的核心推荐算法进行深入研究，推出多种方法并付诸应用。国外有关推荐系统的研究工作起步较早，目前已有大量可供参考的文献资料，相对国内而言，国外的研究已相当成熟。首个具有代表性的推荐系统是Grouplens[13-14]，是由MIT[15]的PaulResnick[16]和University

6、ofMinnesota的NeophytosIacavou[17]在1994年共同开发的，这是一个对网络新闻进行推荐的系统，采用了最近邻协同过滤的推荐算法以及BotterBitBureaus系统评分服务器[18]。Grouplens是根据用户过去阅读过的文章来寻找同伴，并参考同伴的阅读来预测用户对新闻的评价。..........第二章推荐系统及其核心算法2.1基于内容的推荐基于内容的推荐[35]作为电子商务系统中应用最广泛的技术，又被称为是基于信息过滤的推荐。它是由InformationRetrieve领域提出来的，因而借鉴了很多信息检索领域的技术。基于内容的

7、推荐系统是利用用户兴趣和信息内容的匹配相似度来过滤信息的。最初基于内容的推荐是对协同过滤技术的扩展，它不依赖用户对项目的评价，而是根据用户已选项目的内容来计算用户间相似性，进而产生推荐。随着机器学习[37]（MachineLearning）等技术的发展完善，如今基于内容的推荐系统对项目和用户分别建立配置文件，并通过对用户已购买或浏览过项目的信息的分析，来建立或更新用户配置文件。系统通过对项目和用户配置文件相似性的比较，将与用户相似度高的项目进行推荐。这种直接比较用户与项目相似度的算法，已经不能纳入协同过滤的范畴了。周长征、黄文荣[38]将基于内容的推荐算法归

8、结为以下四个步骤：首先，根据用户的浏览已购买信息构建