论文部分内容阅读
近年来,随着互联网和电子商务的不断成熟和发展,人们在信息的获取和商品的购买上获得了很多的便利。与此同时,也出现了“信息过载”的问题。用户在寻找满意的商品上浪费了大量的时间。因此,推荐系统的发展越来越受到重视。推荐系统能够根据用户的历史行为和个人信息为用户提供合适的商品推荐,帮助提高电子商务系统的服务质量。协同过滤是目前在电子商务推荐系统中应用较为成功的个性化推荐技术,它通过共享其他用户的经验帮助目标用户迅速找到自己感兴趣的商品或信息。协同过滤的研究已经成为个性化推荐领域的热点研究问题。本文所作的主要工作就是协同过滤算法的改进和优化。本文首先介绍了推荐技术的各种形式。然后重点分析了当前协同过滤算法的研究状况,对各种类型的协同过滤算法做了深入的研究和分析,比较了其各自的特点。本文的核心研究内容是“斜坡算法”(Slope one)的改进和优化。“斜坡算法”(Slope one)是一种基于项目(Item-based)的协同过滤推荐算法。Slope one具有简单和高效的特点,但是忽略了项目评价数目的影响。通过对其缺点的分析,详细探讨了它的两种改进方式：加权Slope one.评分系数Slope one (R-Slope one, Rating Slope one)。尽管加权Slopeone和R-Slope one算法相比Slope one来说有了一定的改进,但是这两种算法仍然存在用户的针对性不强等问题。基于此,本文提出了基于上述二种改进的Slope one算法和用户聚类结合的混合推荐算法：加权Slopeone与用户聚类的混合协同过滤算法(Weighted Slope one-User Clustering, WSO-UC)、评分系数Slope one与用户聚类的混合协同过滤算法(Rating Slope one-User Clustering, RSO-UC)。本文通过两个实验来验证所提出的算法WSO-UC和RSO-UC的性能。一组实验是将其与Slope one、加权Slope one和R-Slope one进行比较。另外一组实验是将WSO-UC和RSO-UC与其他几种常用协同过滤算法进行比较。实验结果表明,WSO-UC和RSO-UC的预测和推荐准确度是较高的,证明了本文的研究价值。并且在最后还探讨了应用其建立电子商务推荐模型的过程。