【硕士论文】电子商务推荐系统中协同过滤技术的研究.pdf

《【硕士论文】电子商务推荐系统中协同过滤技术的研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、摘要摘要个性化推荐系统在电子商务领域具有良好的应用前景，是电子商务技术中重要的研究内容。推荐系统通过预测用户的喜好对用户做出推荐，为用户进行信息过滤。协同过滤是经常被采用的解决信息过载问题的方法，是个性化推荐的主要方法之一。传统的协同过滤主要存在着：精确性、数据稀疏与冷启动的问题。本文首先介绍了电子商务与电子商务中个性化推荐的相关概念，接着对传统协同过滤方法中存在的问题进行进一步的分析，在分析的基础上，对传统协同过滤方法提出相应的改进方法。传统协同过滤算法在构建用户评估矩阵时，对用户未评分的项目简单填充固定值。本文利用电子商

2、务系统中商品属于不同层次的特点，通过计算商品所属层次的RF／IRF值，将RF／IRF值高层次中商品填入特定值。从而在一定程度上解决数据稀疏性和冷启动问题。通过对传统协同过滤项目推荐公式的扩展，不再局限于最近邻居用户对某个商品的评价，而是将所有用户评价整体考虑到推荐当中。对于协同过滤技术面临的扩展性问题，对Sarwar等人提出的基于奇异值分解的协同过滤进行改进。最后通过实验，分析新提出的算法在各个评价指标上的表现。本文还将新提出的算法应用到实际的环境中，在江西省新华书店的基于Agent的个性化出版物信息服务系统的课题中使用该算

3、法。关键词：协同过滤，推荐系统，冷启动，商品层次，奇异值分解ABSTRACTABSTRACTPersonalizedRecommendationhasagoodapplicationprospectintheareaofE—Commerce．It’SaveryimportantresearchfieldofE-Commercetechnologies．RecommenderSystemmakesrecommendationstouserbypredictinginterestoftheuser,ithel弘usertofil

4、terinformation．CollaborativeFilteringisfrequentlyusedinsolvinginformationoverloadproblem，CollaborativeFilteringisamaintoolusedinPersonalizedRecommendation．ThetraditionalCollaborativeFilteringhasshortcomingasfollows：accuracy,datasparseandcold-start．Inthispaper,theco

5、nceptofE·CommerceandPersonalizedRecommendationinE-Commerceisdiscussedfirst,afterthis，itanalysesproblemsexistintraditionalCollaborativeFiltering．Amethodtoconquertheseproblemsisproposedbasedontheseanalyses．TraditionalCollaborativefillsafixedvaluetobuilduserFilterings

6、implyevaluationmatrix．Inthispaper,thelevelofitemsisconsidered．ItbuildstheuserevaluationmatrixbycalculatingtheRF／IRFofdifferentlevels，wherehighRF／IRFvaluewillhavefixedvalue．ThisMethodsolvesthesparseproblemandcold-starttoacertainextent．Therecommendformulafortheactive

7、usernotoI蚵concernstheratingofneighborusersbutalsomixedwithmeanratingscoresofallusers．ThispaperimprovestheSVDCFAlgorithmproposedbySarwar．Experimentsresetsshowthequalityofrecommendationhasbeenimprovedinthemetricsbeenused．ThealgorithmswillbeusedinJiangxiXilllltlaBooks

8、toreAgent-basedPersonalizedInformationServiceSystem．KeyWords：CollaborativeFiltering，RecommenderSystem，Cold-Start,ItemLevelSingleValueDecompositio