科研报告-餐饮电子商务个性化推荐系统推荐算法

《科研报告-餐饮电子商务个性化推荐系统推荐算法》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、中南大学科研训练报告餐饮电子商务个性化推荐系统推荐算法研究院系：软件学院班级：1105班姓名：张学号：指导老师：餐饮电子商务个性化推荐系统推荐算法研究TheResearchonrecommendationalgorithmofRecommendationSysteminCateringE-Commerce指导老师：餐饮电子商务个性化推荐系统推荐算法科研报告摘要：本文首先阐述了本算法的思想，基于分类的协同过滤推荐算法。给出了形式化的数学表达式。给出了协同过滤算法部分的详细代码和实验过程。然后，本文讨论了实验平台的改进设想。最后讨论了基于Hadoop和Mahout 平台推荐算法的实现。Abstr

2、act:Thispaperfirstexpoundsthethoughtofthisalgorithm,thecollaborativefilteringrecommendationalgorithmbasedonclassification.Theformalmathematicalexpressionsaregiven.Detailedcodepartofthecollaborativefilteringalgorithmisproposedandtheexperimentalprocess.Thenthispaperdiscussestheexperimentplatformofimp

3、rovementideas.IntheendimplementationofrecommendedalgorithmisdiscussedbasedonHadoopandMahout platform.关键词：推荐系统；协同过滤；Hadoop;Mahout Keywords:recommendationsystem;Collaborativefiltering;Hadoop一、算法概述不同的推荐系统，它们的推荐算法和评价指标都不尽相同。作为餐饮推荐系统，至少存在以下几个方面，与传统（如图书）的推荐系统（购买行为）不同。（1）受地域和消费水平影响非常大。对于餐饮来说，极少会有去很远的地方或与自

4、身消费相去甚远的餐馆消费。（2）餐饮往往还有社交因素。有很多餐饮消费发生在宴请、聚餐等行为。（3）餐饮还有重复性消费的特点。由于时间和本人自身水平问题，很多问题尚不能考虑完全。暂且提出如下的推荐算法。（1）根据餐馆和用户的位置，将餐馆和用户分类。相同地区的餐馆和用户才能发生相应关系。这样做第一可以提高推荐质量，更主要的是可以减少算法的开销。（2）根据购买记录、浏览记录以及用户兴趣模型综合评分。这样可以在一定程度上解决冷启动问题和评分稀疏性问题。（3）根据评分利用协同过滤方法进行推荐。二、协同过滤算法的实现2.1基于用户的协同过滤算法主要步骤描述由于时间问题和实验条件（缺乏实验数据源），本次训

5、练暂且实现了基于用户的协同过滤算法。算法的主要步骤如下。数据表示:在Userbased协同过滤推荐中,必须根据不同用户对商品的评分信息产生推荐结果。用户评分数据可以用一个m’n阶矩阵A(m,n)表示,m行代表m个用户,n列代表n个项,第i行第j列的元素凡J代表用户i对项j的评分。用户评分数据矩阵如图2.1所示。图2.1:用户评分矩阵最近邻查询:最近邻查询是整个Useobased协同过滤推荐算法的核心部分,其效果和效率很大程度上决定了User一based协同过滤推荐算法的效果和效率。所谓最近邻居,就是购买行为或评分行为与当前用户比较相似的若干用户。最近邻查询阶段实质上就是Userbased协同

6、过滤推荐算法的模型建立阶段。1).余弦相似性(Cosine):用户评分看作为n维项空间上的向量,如果用户对项没有进行评分,则将用户对该项的评分设为O,用户间的相似性通过向量间的余弦夹角度量。设用户i和用户j在n维项空间上的评分分别表示为向量I,j,则用户i和用户j之间的相似性sim(I,j)为:分子为两个用户评分向量的内积,分母为两个用户向量模的乘积。通过上面提出的相似性度量方法得到目标用户的最近邻居,下一步需要产生相应的推荐。设用户u的最近邻居集合用刀N公表示,则用户u对项i的预测评分pu,,可以通过用户u对最近邻居集合凡叽中项的评分得到,计算方法如下sim(u,n)表示用户u与用户n之间

7、的相似性,Rn.j表示用户n对项i的评分。Ru和Rn分别表示用户u和用户n对项的平均评分。2.2实验的具体方法和步骤实验环境：开发工具：MyEclipe8.5语音：java数据源；用户评分矩阵staticdouble[][]userScore=newdouble[][]{{2,4,4,4,3,3,2,2},{3,2,3,4,2,4,2,3},{1,3,4,3,3,3,1,2},{1,3,4,3,3,5,3,2