基于符号数据的协同过滤算法及其在物流中的应用

摘要

随着互联网技术的广泛普及和迅速发展，用户数量和资源种类不断增加，网上出现信息过载问题，推荐系统通过获取用户行为数据可以有效处理信息过载问题。通过观察记录用户行为或评分，推荐系统通过过滤技术得出推荐结果。协同过滤是基于评分相似的最近邻居的评分数据向目标用户产生推荐，是目前应用最广泛和最成功的推荐算法，Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
　　 但由于用户和资源的数据量过大，评价矩阵的稀疏性问题越来越突出，严重影响了推荐系统的推荐质量。奇异值分解(SVD)是线性代数中一种重要的矩阵分解技术，一种对数据进行降维处理的方法。符号数据分析(SDA)是一种处理海量数据的全新数据分析思路，运用“数据打包”的思想，在大大减少数据量的同时，还能从整体上把握样本的特性。本文提出一种改进的基于符号数据的协同过滤推荐算法，即将奇异值分解和符号数据分析方法结合起来运用到推荐系统中。并通过实证研究证明该算法住数据稀疏时的推荐质量明显优于传统的推荐算法。
　　 随着改革开放的不断深入，我国的经济取得了突飞猛进的发展，加之大量外资企业涌入中国进行投资、制造业转移中国以及国家的大力支持等因素，近年来我国的物流业开始起步并迅速发展，但与发达国家相比，存在着明显的差距。衡量一个同家物流业发展水平的一个重要指标是物流成本占GDP的比重，中同物流与采购联合会发布的最新数据显示，2010年中国物流总费用占国内生产总值比重约18％左右，而发达国家的仅为10％。在物流总成本中，运输成本占到一半以上。所以要想降低物流总成本，减少运输成本是关键。
　　 本文旨在研究一种改进的基于符号数据分析的协同过滤推荐算法，并将此算法应用到物流运输领域中。建立一个公用物流运输信息平台，内含中国现有几十万家经营运输业务的物流公司的信息，通过分析客户的要求，客户行为或评分数据，利用基于符号数据的协同过滤算法给客户推荐一些最有可能适台自己的物流公司。同时通过此信息平台可实现多企业协同运输，这样可以大大节约物流成本，减少物流成本占GDP的比重，促进物流业快速高效发展，从而推动中国经济健康稳僻发展。