本文關(guān)鍵詞：電子商務個性化推薦算法設計與實現(xiàn)

  更多相關(guān)文章： 個性化推薦 協(xié)同過濾 項目屬性 項目簇偏好 K-means初始聚類中心

【摘要】： 電子商務系統(tǒng)在為用戶提供越來越多選擇的同時,商品信息過載現(xiàn)象越來越嚴峻,其結(jié)構(gòu)也變得日益復雜,用戶想要從商品海洋里迅速便捷地找到自己真正需要的商品越來越困難,于是電子商務個性化推薦系統(tǒng)應運而生。 推薦算法是推薦系統(tǒng)中最核心的部分,在很大程度上決定了推薦系統(tǒng)性能的優(yōu)劣。協(xié)同過濾推薦根據(jù)與用戶興趣愛好相同或相似的其他用戶的評價產(chǎn)生推薦,個性化程度高,是目前應用最廣泛、最成功的推薦技術(shù),但它在實際應用中還存在很多缺陷:如預測評分中用戶相似性計算不準確,實時性差、推薦精度不高等。 本文針對推薦系統(tǒng)的實時性要求,提出了基于項目簇偏好的用戶聚類算法。該算法首先基于項目屬性對項目聚類,得到用戶對不同項目簇的偏好,然后利用K-means聚類算法對用戶進行聚類,將相同或相似興趣的用戶分到同一類中,這樣可以找到離當前用戶最近的幾個聚類,然后在這幾個聚類中搜尋最近鄰居,避免了在整個用戶群上搜尋,提高了實時響應速度。 K-means聚類算法由于隨機選取初始聚類中心,這樣得到的聚類結(jié)果隨機性很大。本文將用戶在不同項目簇上的評價差異作為用戶距離,采用克魯斯卡爾(kruskal)算法生成初始聚類中心,使得初始中心靠近類中心,這樣得到的聚類更符合實際。 針對傳統(tǒng)方法沒有考慮項目之間的內(nèi)容關(guān)系而影響推薦精度問題,本文提出了基于項目相關(guān)性的協(xié)同過濾算法。該算法首先將項目相似性引入到預測評分中的用戶相似性計算,避免了不相關(guān)項目對用戶相似性計算的干擾,其次,在預測評分中增加時間權(quán)限,使得越新的用戶興趣在推薦過程中的權(quán)值越大。 最后利用MovieLens數(shù)據(jù)集進行兩個實驗:最近鄰居搜尋效率實驗和協(xié)同過濾算法實驗。前者的度量方法是最小空間內(nèi)搜索到更多的鄰居,實驗結(jié)果表明基于項目簇偏好的的K-means聚類算法可以在更小的用戶空間內(nèi)搜索到更多的鄰居用戶,提高了查找用戶最近鄰的效率和精度;后者以MAE作為評價指標,對本文設計算法和傳統(tǒng)算法進行性能比較,實驗結(jié)果表明本文設計算法得到了更好的推薦效果。
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2010
【分類號】：TP301.6;F713.36

【引證文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 吳高;基于數(shù)據(jù)挖掘的商品資訊投送平臺研究與實現(xiàn)[D];電子科技大學;2011年

2 張喜;基于語義模板與知識庫的智能導購機器人系統(tǒng)的研究與實現(xiàn)[D];中央民族大學;2012年

3 唐愚泰;基于J2EE的川渝中煙工業(yè)公司銷售管理系統(tǒng)的設計與實現(xiàn)[D];電子科技大學;2012年

4 張恒瑋;基于協(xié)同過濾技術(shù)的電子商務推薦系統(tǒng)的研究與實現(xiàn)[D];華北電力大學;2012年

5 王穎;基于關(guān)聯(lián)規(guī)則的電子商務個性化推薦模型研究[D];東北財經(jīng)大學;2012年

，

本文編號：1266000