考虑时间动态性的协同过滤算法及其应用研究

摘要

随着电子商务的崛起，越来越多的人选择使用电商去购物，同时对电商的购物体验有个更高的要求。个性化推荐系统就是为了增加客户的购物体验而生的，在现实中应用广泛。个性化推荐算法中，应用最成功的是协同过滤推荐算法。
　　本文分析了现有协同过滤算法存在的不足，以及关于时间动态性的研究现状，指出了一个重要的问题——商品是有先后购买顺序的。传统的协同过滤算法只考虑了用户或商品之间的相关程度，并没有根据商品的序列模式进行挖掘并推荐。本文结合现有算法的优点，加入了时间动态性的特点，提出了一个考虑时间动态性的协同过滤推荐综合性改进算法，并通过真实的电子商务销售数据进行实验测试，验证了其推荐效果更佳。
　　本文的主要内容包括以下几点：
　　（1）通过对现有文献的综述研究，找到目前学者们的研究重点和研究方向，总结现有研究的特点，分析传统协同过滤推荐算法的不足之处，总结出现有算法大多只在某一两个方面进行改进，而加入时间动态性的研究也只停留在用户兴趣的改变上，从而引出了本文要研究的方向和重点。
　　（2）结合现有研究中的优秀改进方向和改进方法，加入商品序列模式的筛选和去除热门效应的影响，提出一个综合性的协同过滤推荐算法解决方案。其核心的思路可以总结为首先对原始数据集进行预处理，包括去噪音和聚类等；然后用一个新的相似度函数进行计算最近邻居，这个相似度计算函数考虑了热门系数，评分系数和时间系数；最后使用GSP算法挖掘商品的序列模式，对推荐结果集进行再次筛选，解决了用户买鼠标后给其推荐电脑的问题。
　　（3）收集了亚马逊的真实评论数据，对本文提出的改进算法进行实验设计和推荐效果验证。与传统的协同过滤算法进行比较，提高了推荐的准确率，并改善了传统算法中存在的数据稀疏性等问题，验证了改进算法的推荐效果更优秀。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景和意义

1.2 论文主要内容和创新点

1.3 论文结构

第二章 相关研究综述

2.1 个性化推荐综述

2.2 协同过滤研究综述

2.3 本章小结

第三章 协同过滤推荐算法研究与分析

3.1传统的协同过滤算法

3.2 协同过滤中相似性函数分析

3.3 基于时间动态性的研究分析

3.4 本章小结

第四章 协同过滤推荐算法的改进

4.1 数据预处理

4.2 相似性计算函数的改进

4.3 推荐结果筛选

4.4综合性改进算法

4.5 本章小结

第五章 改进算法的推荐效果测试与验证

5.1 数据收集

5.2 数据处理

5.3 算法实现与实验设计

5.4 测试结果与分析

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢