论文部分内容阅读
随着电子商务的不断发展，个性化推荐作为电子商务平台的核心技术不断被研究者广泛关注。协同过滤个性化推荐是在众多个性化推荐算法中最被广泛使用的推荐算法之一。然而在实际应用中，该技术也面临着一系列挑战性问题，其中数据稀缺性和冷启动是目前协同过滤推荐技术中尚未有效解决的两大难题，该难题不能得到很好解决最终导致推荐质量不高，传统的基于协同过滤个性化推荐仅仅使用单一数据源，并且在进行推荐时并没有考虑时序对偏好的影响，同时单一的推荐方法存在一定的局限性，因此很难准确高效地预测出目标用户的兴趣，最终导致协同过滤算法的推荐结果准确率不高。 本文针对目前基于用户的协同过滤推荐在处理冷启动和数据稀缺性的问题上进行了详细的分析研究，提出了一些应对思路，并取得了一定的研究成果。主要工作归纳如下： （1）提出了基于协同过滤技术推荐过程的改进。为了解决新用户冷启动的问题，本文提出了补充相似度的改进协同过滤推荐，当新用户进入某平台时由于缺少评分记录，对该用户进行推荐难度比较大，但是该用户的购买记录能帮助推荐系统为该目标用户产生推荐。该算法基于考虑评分数据的同时，将购买数据也考虑进去，而计算购买数据的相似度则作为对评分数据相似度的一种补充相似度。同时，考虑目标用户随着时间的推移，兴趣也会发生变化的规律，在基于协同过滤个性化推荐中对评分记录加入时间更序的思想。 （2）提出了基于协同过滤技术推荐结果的改进。面对庞大的数据库，面对电子商务网站中上千种类的产品,其中有很多种类产品没人评论，也没人购买，对这些种类数据由于数据稀缺性非常严重，导致基于协同过滤推荐技术也很难高效地预测出目标用户的兴趣，单一的推荐算法局限性比较大，并且传统的关联规则无法针对电子商务网站数据的层次性问题进行挖掘，因此本文在基于协同过滤技术推荐结果进行改进，让协同过滤的推荐结果基础上加入多层次关联规则挖掘，从而产生最终的推荐结果。 （3）经过实验验证证明了改进协同过滤个性化推荐的可行性，确实在面对数据稀缺性和冷启动问题时，能有效提高推荐质量，利用改进的算法构建个性化推荐系统，改进协同过滤个性化系统由离线挖掘模块和在线推荐模块组成，两者相辅相成，介绍了改进协同过滤个性化推荐系统的工作流程，以及在营销策略管理中的应用。