電子商務個性化推薦系統(tǒng)中關鍵算法的研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，電子商務也越來越普及和流行起來。隨著信息量的爆炸式增長，在電子商務領域，信息超載問題增加了用戶購買所需商品的難度，用戶在找到自己需要的商品之前必須瀏覽大量的無關信息。為了將真正滿足用戶需求的商品推薦到用戶面前，電子商務個性化推薦系統(tǒng)應運而生。
　　協(xié)同過濾算法是目前應用最廣泛的電子商務個性化推薦算法，但它在實際應用中存在評分數(shù)據(jù)稀疏、冷啟動和算法可擴展性等問題。為了解決評分數(shù)據(jù)稀疏和冷啟動問題，本文主要做了以

2、下幾方面的工作:
　　1.針對用戶評分數(shù)據(jù)稀疏問題提出了改進的協(xié)同過濾推薦算法。算法首先計算出項目間的相似度，然后計算出未評分項目的預測評分來填充用戶評分矩陣，使得評分矩陣不再稀疏。在計算項目間的相似度時，本文提出了改進的項目相似度度量方法，綜合考慮了項目間評分的相似性和項目間固有特征屬性的相似性。并引入了李德毅院士提出的定性定量知識轉換模型——云模型來計算項目間的評分相似度。
　　2.針對冷啟動問題提出了基于用戶特征聚類的

3、推薦算法。借鑒了Kruskal最小生成樹算法對K-Means聚類算法進行了改進，將改進的聚類算法應用在用戶特征聚類中，將有相同特征的用戶聚在一個簇中并做出推薦。
　　3.采用上述兩個推薦算法為子算法提出了組合推薦算法，融合了兩個算法的優(yōu)點。并使用用戶的評分行為對算法進行反饋，自動調整算法，使算法達到自適應的目的。
　　最后，本文編程實現(xiàn)了上述算法并分別進行了對比實驗。實驗表明本文提出的推薦算法相比于傳統(tǒng)的推薦算法有更好的推薦