基于内容关联的在线商品推荐系统研究与优化

摘要

随着互联网的快速发展，信息逐渐增多，数据量呈现指数级增长，由此引发了大数据时代的到来。在这种环境下，信息过载问题随之而来，人们获取有效信息的难度也因信息过载问题的愈发凸显而急剧提升。如何解决信息过载问题也逐渐成为一个研究热点，推荐系统就是一个解决问题的有力办法。推荐系统能够根据项目信息或者用户信息，通过一定的匹配计算和相似度计算，对众多的目标用户没有接触的项目进行评分预测，通过排序、过滤，提取评分最高的Top-N项目作为推荐结果反馈给用户。 在当前的推荐系统的研究领域，主要研究的推荐算法有三种：基于内容推荐算法、协同过滤推荐算法、混合推荐算法。针对在线商品而言，现有的这三种推荐算法的推荐依据基本都以各种文本内容为主，比如商品描述、评分信息、用户信息等内容，但是除了上述文本内容之外，商品信息还有其他表现形式，如商品类别属性、商品图像信息等。此外，用户对在线商品的关注点也更多地从文本描述转为视觉图像特征，因此，商品的图像等视觉效果对用户的影响也是不容小觑的。 针对上述问题，本文在研究商品推荐时，将商品的内容信息分为商品文本内容、类别属性、图像特征三种，根据商品的内容分类，引入基于文本内容的推荐算法和基于类别属性的推荐算法，提出基于图像特征的推荐算法。在基于文本内容的推荐算法中，本文主要通过提取文本信息，使用TF-IDF和余弦相似度来进行商品匹配和推荐，在基于类别属性的推荐算法中，本文通过构建属性矩阵来完成属性相似度的计算过程，在基于图像特征的推荐算法中，本文提取图像SIFT特征作为图像匹配标准，改进了基于p-stable distribution的LSH算法，实现了高维度下大量图像的搜索匹配，并通过实验证明了改进的LSH算法对召回率和错误率都有一定的优化，通过匹配耗时和Hash表长度可知该算法优化了内存利用和搜索匹配效率。根据上述三种推荐算法，本文通过权重拟合策略将其进行有效融合，提出CI-LSH算法——基于内容关联的在线商品推荐算法，建立相应的推荐模型，并进行实验验证，由基于CI-LSH算法的推荐模型的平均绝对误差MAE和精确度Precision得知，本文提出的CI-LSH推荐算法提高了推荐结果的精准度和可靠性。最后本文构建出在线商品推荐系统的整体架构，对系统架构、工作流程和各个模块进行了相应的研究和阐述。 本文研究不管是在理论创新还是实际应用上都有一定的意义，增加了商品推荐时的推荐依据，同时改善了现有推荐算法的推荐效率和推荐准确性。

目录

第一个书签之前