基于間接不確定數(shù)據(jù)的個性化推薦技術(shù)研究.pdf

1、隨著電子商務(wù)站點中客戶及項目數(shù)量的迅速增加致使產(chǎn)生大量的客戶、項目元數(shù)據(jù)及客戶-項目交易數(shù)據(jù)，而這些數(shù)據(jù)常常是不確定的，嚴重影響了個性化推薦質(zhì)量的提高和客戶滿意度的增加。因此對電子商務(wù)網(wǎng)站中的不確定數(shù)據(jù)研究有重要的理論意義和現(xiàn)實意義。
　　首先，介紹了電子商務(wù)、個性化推薦技術(shù)及不確定數(shù)據(jù)等內(nèi)容。為了研究電子商務(wù)中的不確定數(shù)據(jù)，對其進行歸納、總結(jié)和分類，將不確定數(shù)據(jù)分為直接不確定數(shù)據(jù)與間接不確定數(shù)據(jù)，并對各種不確定數(shù)據(jù)產(chǎn)生的原因進行

2、了分析。
　　其次，詳細分析了電子商務(wù)站點中客戶-項目評分缺失在實施個性化推薦過程中的重要性。通過對這類不確定數(shù)據(jù)統(tǒng)計分析，以及已有方法在評分預(yù)測中只考慮單一評分因素的問題，提出了一種依據(jù)用戶對商品的評分變量服從正態(tài)分布的客戶-項目缺失評分補齊模型(UIRCBTRV)。在此基礎(chǔ)上，設(shè)計了一種基于二維正態(tài)分布的評分補齊算法(UITFRC)，并對算法的補齊準確性及推薦質(zhì)量進行分析。
　　第三，現(xiàn)存的個性化推薦系統(tǒng)大多是粗粒度模式

3、，其結(jié)果主要以項目集合與客戶集合為目標的多對多推薦，是一種不精確的個性化推薦。為此，本文建立了細粒度推薦模型(FGRM)，設(shè)計了一種細粒度推薦算法(FGRA)，從而提高了推薦質(zhì)量。
　　最后，對提出的模型與算法進行了實驗檢驗。實驗結(jié)果表明，在提出的兩種模型基礎(chǔ)上，評分補齊算法(UITRC)與細粒度推薦算法(FGRA)很好地符合缺失評分的分布規(guī)律及精確推薦預(yù)期結(jié)果。通過與已有算法的比較，本文的模型與算法有效地提高了推薦系統(tǒng)的推薦質(zhì)量