本文關(guān)鍵詞：電子商務(wù)推薦系統(tǒng)中協(xié)同過(guò)濾算法的改進(jìn)與研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近些年來(lái)，互聯(lián)網(wǎng)迅猛發(fā)展，電子商務(wù)保持著持續(xù)增加的趨勢(shì)，信息在不斷的膨脹甚至于過(guò)載，正是因此電子商務(wù)面臨著巨大的挑戰(zhàn)。為了解決這一難題，電子商務(wù)推薦系統(tǒng)應(yīng)運(yùn)而生，電子商務(wù)推薦系統(tǒng)可以幫助用戶快速的定位到自己喜歡的商品。協(xié)同過(guò)濾技術(shù)是目前發(fā)展最為迅速的的一種個(gè)性化推薦技術(shù)，但傳統(tǒng)協(xié)同過(guò)濾本身的算法本身具有局限性，存在“稀疏性”問(wèn)題、“冷啟動(dòng)”問(wèn)題和“可擴(kuò)展性”問(wèn)題等，針對(duì)電子商務(wù)推薦系統(tǒng)中通常采用的協(xié)同過(guò)濾推薦算法的不足，本文提出了一種改進(jìn)的協(xié)同過(guò)濾組合推薦算法。 本文首先引入聚類分析，在聚類分析的模型中，只將目標(biāo)用戶或項(xiàng)目在由聚類產(chǎn)生的搜索空間進(jìn)行搜索，而不必在整個(gè)數(shù)據(jù)空間中進(jìn)行，這樣縮小了搜索范圍，提高了搜索效率，有效提高了系統(tǒng)的實(shí)時(shí)響應(yīng)速度，這就是我們引入聚類分析對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理的原因。 本文引入了信任模型，利用回歸分析法將由用戶-項(xiàng)目評(píng)分矩陣產(chǎn)生的相似度矩陣與由用戶-用戶信任評(píng)分矩陣產(chǎn)生的信任度矩陣相結(jié)合，，作為進(jìn)行最近鄰搜索的新的標(biāo)準(zhǔn)，提高了推薦的準(zhǔn)確性，從而為目標(biāo)用戶提供更好的推薦結(jié)果。 本文以傳統(tǒng)的協(xié)同過(guò)濾推薦算法為基礎(chǔ)，引入聚類分析與信任模型成為一種新的協(xié)同過(guò)濾組合推薦算法，該推薦算法能夠有效改善或克服傳統(tǒng)協(xié)同過(guò)濾技術(shù)中出現(xiàn)的問(wèn)題，從而提供系統(tǒng)的準(zhǔn)確性。本文并對(duì)該算法進(jìn)行了設(shè)計(jì)，并進(jìn)行了對(duì)比實(shí)驗(yàn)，經(jīng)過(guò)實(shí)驗(yàn)表明，該算法能夠降低預(yù)測(cè)的用戶評(píng)分與實(shí)際的用戶評(píng)分之間的平均絕對(duì)偏差，提高系統(tǒng)的推薦質(zhì)量。
【關(guān)鍵詞】：電子商務(wù)推薦系統(tǒng) 協(xié)同過(guò)濾 聚類分析 信任模型 回歸分析
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-10
• 1. 緒論10-16
• 1.1 研究背景及意義10-12
• 1.1.1 研究背景10-12
• 1.1.2 研究意義12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)12-14
• 1.2.1 電子商務(wù)推薦系統(tǒng)的國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)12-13
• 1.2.2 個(gè)性化推薦系統(tǒng)的國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)13-14
• 1.3 研究?jī)?nèi)容及結(jié)構(gòu)安排14-16
• 2. 電子商務(wù)推薦系統(tǒng)及推薦技術(shù)16-26
• 2.1 電子商務(wù)推薦系統(tǒng)概述16-18
• 2.1.1 電子商務(wù)推薦系統(tǒng)的分類16-17
• 2.1.2 電子商務(wù)推薦系統(tǒng)的組成17-18
• 2.2 電子商務(wù)推薦系統(tǒng)的研究?jī)?nèi)容18-19
• 2.3 電子商務(wù)個(gè)性化推薦技術(shù)19-23
• 2.3.1 基于關(guān)聯(lián)規(guī)則的推薦技術(shù)19-20
• 2.3.2 基于內(nèi)容的推薦技術(shù)20-21
• 2.3.3 協(xié)同過(guò)濾的推薦技術(shù)21
• 2.3.4 組合推薦算法21-22
• 2.3.5 其他幾種常見(jiàn)的推薦技術(shù)22-23
• 2.4 協(xié)同過(guò)濾推薦技術(shù)23-26
• 2.4.1 相關(guān)概念23-24
• 2.4.2 基于用戶的協(xié)同過(guò)濾推薦算法24-25
• 2.4.3 基于項(xiàng)目的協(xié)同過(guò)濾推薦算法25-26
• 3. 聚類分析簡(jiǎn)述26-39
• 3.1 數(shù)據(jù)挖掘26-28
• 3.1.1 數(shù)據(jù)挖掘簡(jiǎn)述26
• 3.1.2 數(shù)據(jù)挖掘方法26-27
• 3.1.3 數(shù)據(jù)挖掘與推薦系統(tǒng)27-28
• 3.2 聚類分析的概念及原理28-29
• 3.3 聚類方法的分類29-32
• 3.3.1 基于劃分的聚類方法30-31
• 3.3.2 基于層次的聚類方法31
• 3.3.3 基于密度的聚類方法31-32
• 3.3.4 基于網(wǎng)格的聚類方法32
• 3.3.5 基于模型的聚類方法32
• 3.4 K-means 算法32-37
• 3.4.1 K-means 算法33-35
• 3.4.2 K-means 算法的優(yōu)缺點(diǎn)35-36
• 3.4.3 K-means 算法的改進(jìn)36-37
• 3.5 基于聚類的協(xié)同過(guò)濾推薦算法37-38
• 3.5.1 基于用戶聚類的協(xié)同過(guò)濾推薦算法37
• 3.5.2 基于項(xiàng)目聚類的協(xié)同過(guò)濾推薦算法37-38
• 3.6 本章小節(jié)38-39
• 4. 信任模型及回歸分析法的應(yīng)用39-47
• 4.1 信任模型39-43
• 4.1.1 信任的定義39-40
• 4.1.2 信任的特性40-41
• 4.1.3 信任模型的建立41-42
• 4.1.4 引入信任的必要性42-43
• 4.2 回歸分析法及應(yīng)用43-46
• 4.2.1 回歸分析法簡(jiǎn)述43
• 4.2.2 回歸分析法的原理43-45
• 4.2.3 回歸分析法在推薦系統(tǒng)中的應(yīng)用45-46
• 4.3 本章小節(jié)46-47
• 5. 改進(jìn)的協(xié)同過(guò)濾組合推薦算法研究47-54
• 5.1 協(xié)同過(guò)濾組合推薦算法的框架及思路47-49
• 5.2 算法的設(shè)計(jì)與分析49-52
• 5.2.1 數(shù)據(jù)的收集與處理49
• 5.2.2 聚類49-51
• 5.2.3 相似度計(jì)算51
• 5.2.4 相似-信任度計(jì)算51
• 5.2.5 K 最近鄰用戶搜索51-52
• 5.2.6 預(yù)測(cè)評(píng)分52
• 5.2.7 產(chǎn)生推薦列表52
• 5.3 本章小結(jié)52-54
• 6. 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析54-60
• 6.1 實(shí)驗(yàn)環(huán)境及實(shí)驗(yàn)數(shù)據(jù)54-55
• 6.1.1 實(shí)驗(yàn)環(huán)境54
• 6.1.2 實(shí)驗(yàn)數(shù)據(jù)54-55
• 6.2 實(shí)驗(yàn)評(píng)價(jià)的度量標(biāo)準(zhǔn)55
• 6.3 實(shí)驗(yàn)的設(shè)計(jì)、結(jié)果與分析55-58
• 6.3.1 實(shí)驗(yàn) 155-56
• 6.3.2 實(shí)驗(yàn) 256-57
• 6.3.3 實(shí)驗(yàn) 357-58
• 6.4 本章小節(jié)58-60
• 結(jié)論60-62
• 參考文獻(xiàn)62-67
• 致謝67-68
• 攻讀博士（碩士）期間發(fā)表的論文及所取得的研究成果68

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 譚勇,榮秋生;一個(gè)基于K-means的聚類算法的實(shí)現(xiàn)[J];湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年01期

2 蔡偉鴻,劉震;基于密度聚類算法的入侵檢測(cè)研究[J];計(jì)算機(jī)工程與應(yīng)用;2005年21期

3 徐翔;王煦法;;協(xié)同過(guò)濾算法中的相似度優(yōu)化方法[J];計(jì)算機(jī)工程;2010年06期

4 楊圣云;袁德輝;賴國(guó)明;;一種新的聚類初始化方法[J];計(jì)算機(jī)應(yīng)用與軟件;2007年08期

5 雷小鋒;謝昆青;林帆;夏征義;;一種基于K-Means局部最優(yōu)性的高效聚類算法[J];軟件學(xué)報(bào);2008年07期

6 馬曉春,高翔,高德遠(yuǎn);聚類分析在入侵檢測(cè)系統(tǒng)中的應(yīng)用研究[J];微電子學(xué)與計(jì)算機(jī);2005年04期

  本文關(guān)鍵詞：電子商務(wù)推薦系統(tǒng)中協(xié)同過(guò)濾算法的改進(jìn)與研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：403813