融合图像相似性与协同过滤的个性化推荐算法研究

摘要

随着计算机互联网的迅猛发展，电子商务将迎来前所未有的高速发展时期。电子商务推荐系统作为一个非常重要的购物助手，可以帮助用户在海量商品中快速找到所需的商品，可以帮助企业有效地留住用户，增加销量，提升企业竞争力。
　　目前推荐系统已广泛应用在大型电子商务网站中，例如亚马逊、淘宝、京东等。但是传统的协同过滤技术依然存在着冷启动、数据稀疏、可扩展性等多个难题，尤其是目前大多数电子商务购物网站都是通过商品的图片信息来吸引顾客，但是目前推荐系统大多没有用到商品的图片信息，本文针对如何利用商品的图像信息进行推荐进行研究，将图像相似性和传统的协同过滤推荐算法相结合，提出了基于融合策略的个性化推荐算法，本文主要研究工作如下:
　　(1)针对目前推荐系统评分系统稀疏问题、新项目问题以及传统的协同过滤在近邻寻找时出现的可信度不高问题，从相似性度量算法出发，提出了可以依据不同用户间的评分数据自适应调整的相似度度量因子以及区分用户积极倾向和消极倾向的近邻偏好因子，综合上述两个因子提出了优化近邻选择的协同过滤算法。
　　(2)图像相似度推荐的关键问题是图像匹配，本文在深入研究局部特征算法的基础上，针对尺度不变特征变换算法的不足，提出了新的局部特征描述算法CGCI-SIFT，并通过实验与SIFT以及其著名的扩展算法ASIFT、SURF以及PCA-SIFT在尺度不变性、旋转不变性、光照不变性、仿射不变性以及时效性等六个方面做了对比验证，验证了CGCI-SIFT的性能。
　　(3)提出基于融合策略兴趣偏好模型以及可调节加权平衡因子，将图像相似性和近邻用户的推荐结合到一起，提出了融合图像相似性和协同过滤的个性化推荐算法。针对电子商务海量图片的特点，采用了视觉词汇树对大量图像特征进行降维处理。