论文部分内容阅读
随着互联网的广泛普及,电子商务对传统的商贸活动产生了革命性的变化,产生以商品为中心到以客户为中心的模式的转变。为了实现以客户为中心,为客户提供所需商品的目的,企业实行个性化服务就是大势所趋。在这种环境下,电子商务推荐系统应运而生,它可以有效保留客户,增加企业销售额;还能提高服务质量,增强企业的竞争力。推荐系统在电子商务领域有着广泛的应用和良好的发展前景,逐渐成为电子商务技术的一个重要研究内容,吸引着广大研究人员的关注。目前在电子商务推荐系统中主要包括基于内容的推荐技术、协同过滤推荐技术和混合推荐技术,其中协同过滤推荐技术是应用比较成功的个性化推荐技术,但由于协同推荐技术本身存在数据稀疏和冷启动问题以及电子商务中数据规模的不断扩大,电子商务推荐系统也面临着许多挑战。在充分认识协同过滤推荐原理和所存在的问题后,本文进一步对协同推荐技术进行了有益的探索与研究,提出了一种基于社区发现的协同过滤推荐方法,将社区发现方法引入到协同过滤推荐系统中。文章首先重点研究了社区发现算法,并提出了基于中心节点和基于k派系的两种重叠社区发现算法,有效地挖掘出了网络中的社区;其次,从用户-项目的二部图所投影的用户网络中,利用基于中心节点的重叠社区发现方法挖掘出用户社区,并选取其中一部分作为目标用户的候选近邻用户集,从而减少了推荐系统的计算时间,提高推荐速度;最后,为了弥补打分信息不足的缺陷,我们在协同过滤推荐中加入了打分预处理机制,很好地解决了数据稀疏所带来的问题,提高推荐系统的准确率。本文将社会网络技术和协同过滤推荐技术有机的结合,大大地提高了推荐系统性能。最后,本文采用了MovieLens数据集进行实验,测试了两个性能指标包括平均绝对误差MAE和均方根误差RMSE。实验结果表明基于社区发现的协同过滤推荐算法在MAE和RMSE性能上都要优于基于Pearson相似度和基于余弦相似度的协同推荐算法。