基于特征向量的個性化推薦算法研究.pdf

1、基于特征向量的個性化推薦算法研究重慶大學碩士學位論文學生姓名：杜定宇指導教師：王茜副教授專業(yè)：計算機軟件與理論學科門類：工學重慶大學計算機學院二O一一年四月重慶大學碩士學位論文中文摘要I摘要電子商務個性化推薦系統(tǒng)隨著Web2.0技術的迅猛發(fā)展得到了廣泛的關注和普及，為用戶在日益增長的海量信息中發(fā)現(xiàn)自己所需要的信息提供了一種有效方法。電子商務網(wǎng)站使用電子商務推薦系統(tǒng)為用戶提供個性化服務，模擬銷售人員幫助用戶進行購買。電子商務個性化推薦系統(tǒng)

2、通過建立用戶與信息之間的二元關系，利用相似性從海量信息庫中挖掘目標用戶可能感興趣的對象，其本質(zhì)是信息過濾，在理論和實踐中都得到了很大發(fā)展，已有多種推薦算法提出并得到應用，包括基于人口統(tǒng)計學的推薦、基于內(nèi)容的推薦、協(xié)同過濾推薦以及由不同的推薦方法組合而成的混合推薦，其中協(xié)同過濾是最成功和得到最廣泛應用的推薦方法。隨著電子商務規(guī)模的不斷擴大，協(xié)同過濾方法遇到了一些挑戰(zhàn)：數(shù)據(jù)稀疏性、可擴展性、冷開始問題等。本文對協(xié)同過濾推薦算法進行了深入的研

3、究，提出了一種基于特征向量的協(xié)同過濾推薦算法，論文的主要研究工作及成果如下：①觀察用戶評分規(guī)律，研究已有評分一致性方法的優(yōu)勢和不足，提出了一種改進的評分一致性方法，能夠有效解決用戶打分尺度不一致的問題。②傳統(tǒng)相似度度量方法直接在整個評分矩陣上度量對象之間的相似度，其精確度受到矩陣稀疏性的很大影響，也沒有考慮產(chǎn)品特征，因而推薦質(zhì)量不夠理想，實時性也較差，本文提出的基于特征向量的推薦算法使用統(tǒng)計分析技術掃描評分矩陣和產(chǎn)品特征得到用戶和產(chǎn)品的

4、配置文件，配置文件保存特征向量，并在此基礎上計算相似度，降低了計算復雜度，改善了數(shù)據(jù)的稀疏性，提高了推薦質(zhì)量。③對傳統(tǒng)推薦流程進行了分析，找出不足并對其進行改進。優(yōu)化了部分步驟，減少了不必要的計算，進一步提高了推薦的實時性。算法分為初始化、離線更新、在線三個階段執(zhí)行，初始化階段創(chuàng)建用戶和產(chǎn)品的配置文件并計算相互之間的相似度；離線更新階段使用不同的更新頻率來更新用戶與最近鄰用戶和全部其它用戶的相似度；在線階段使用改進的推薦算法，不必掃描所