基于商品属性集的个性化推荐研究

• 作 者: 星雨
• 出 处: 中国地质大学(北京)
• 发表日期: 2017年期
• 关键词: 个性化推荐 商品属性 高维稀疏聚类 协同过滤

随着互联网技术的迅猛发展,使得人们所面临信息资源的数据种类及数据量的增长速度也越来越快,“过载”的信息量让人们很难在信息数据流中发现对自己有用的信息。在这种形势下,推荐系统由此产生,有时也被称为个性化推荐系统,它通过运用不同的技术来为客户进行信息、产品及服务的推荐。协同过滤技术是目前推荐系统中比较流行的一种推荐技术,它能够很好地处理信息过载问题,从而受到了各界的关注。但随着越来越多的人开始使用互联网,网购人数只增不减,巨大的网络购物数据量大大降低了协同推荐算法的效率。如何减少数据量,如何更好的提取出有用的数据而摈弃与目标用户不相关的数据,在提高协同算法效率的同时也提高对目标用户的推荐质量成为本文研究的重点。很明显,在日常生活中,当用户购买相同种类商品或购买具有相似属性商品时,用户间会表现出相同或相似的购买兴趣。因此,本文尝试从商品的角度出发,以商品属性为标准,实现对用户群的划分,在划分的基础上再应用协同算法进行推荐,以达到降低算法复杂度,提高算法效率的目的。因此,本文采用文献资料研究法,从商品类别、商品功能及影响消费者满意度的商品属性三个方面,建立了一个商品属性集,并以此商品属性集为基础,提出了基于商品属性集的个性化推荐模型。根据商品属性集,将用户购买的商品应用聚类算法进行处理,从而形成不同的商品类群,然后在此基础上再应用协同算法对目标用户进行推荐。本文最后对此模型进行了模拟,结果显示相比于传统协同过滤技术,本文提出的推荐模型在提高算法效率的同时,也提高了推荐质量。