基于特征向量的個(gè)性化推薦算法研究.pdf

1、基于特征向量的個(gè)性化推薦算法研究重慶大學(xué)碩士學(xué)位論文學(xué)生姓名：杜定宇指導(dǎo)教師：王茜副教授專(zhuān)業(yè)：計(jì)算機(jī)軟件與理論學(xué)科門(mén)類(lèi)：工學(xué)重慶大學(xué)計(jì)算機(jī)學(xué)院二O一一年四月重慶大學(xué)碩士學(xué)位論文中文摘要I摘要電子商務(wù)個(gè)性化推薦系統(tǒng)隨著Web2.0技術(shù)的迅猛發(fā)展得到了廣泛的關(guān)注和普及，為用戶(hù)在日益增長(zhǎng)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(wù)網(wǎng)站使用電子商務(wù)推薦系統(tǒng)為用戶(hù)提供個(gè)性化服務(wù)，模擬銷(xiāo)售人員幫助用戶(hù)進(jìn)行購(gòu)買(mǎi)。電子商務(wù)個(gè)性化推薦系統(tǒng)

2、通過(guò)建立用戶(hù)與信息之間的二元關(guān)系，利用相似性從海量信息庫(kù)中挖掘目標(biāo)用戶(hù)可能感興趣的對(duì)象，其本質(zhì)是信息過(guò)濾，在理論和實(shí)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(yīng)用，包括基于人口統(tǒng)計(jì)學(xué)的推薦、基于內(nèi)容的推薦、協(xié)同過(guò)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(guò)濾是最成功和得到最廣泛應(yīng)用的推薦方法。隨著電子商務(wù)規(guī)模的不斷擴(kuò)大，協(xié)同過(guò)濾方法遇到了一些挑戰(zhàn)：數(shù)據(jù)稀疏性、可擴(kuò)展性、冷開(kāi)始問(wèn)題等。本文對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行了深入的研

3、究，提出了一種基于特征向量的協(xié)同過(guò)濾推薦算法，論文的主要研究工作及成果如下：①觀(guān)察用戶(hù)評(píng)分規(guī)律，研究已有評(píng)分一致性方法的優(yōu)勢(shì)和不足，提出了一種改進(jìn)的評(píng)分一致性方法，能夠有效解決用戶(hù)打分尺度不一致的問(wèn)題。②傳統(tǒng)相似度度量方法直接在整個(gè)評(píng)分矩陣上度量對(duì)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(méi)有考慮產(chǎn)品特征，因而推薦質(zhì)量不夠理想，實(shí)時(shí)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(jì)分析技術(shù)掃描評(píng)分矩陣和產(chǎn)品特征得到用戶(hù)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(chǔ)上計(jì)算相似度，降低了計(jì)算復(fù)雜度，改善了數(shù)據(jù)的稀疏性，提高了推薦質(zhì)量。③對(duì)傳統(tǒng)推薦流程進(jìn)行了分析，找出不足并對(duì)其進(jìn)行改進(jìn)。優(yōu)化了部分步驟，減少了不必要的計(jì)算，進(jìn)一步提高了推薦的實(shí)時(shí)性。算法分為初始化、離線(xiàn)更新、在線(xiàn)三個(gè)階段執(zhí)行，初始化階段創(chuàng)建用戶(hù)和產(chǎn)品的配置文件并計(jì)算相互之間的相似度；離線(xiàn)更新階段使用不同的更新頻率來(lái)更新用戶(hù)與最近鄰用戶(hù)和全部其它用戶(hù)的相似度；在線(xiàn)階段使用改進(jìn)的推薦算法，不必掃描所