基于商品属性叠加的个性化推荐算法研究

摘要

随着互联网技术的普及以及智能移动终端的快速发展，在丰富着人们生活的同时，也给人们对信息的处理能力带来了很大的挑战。如何能够在海量的数据信息中，快速的挖掘出用户所需的信息，是信息过载的互联网时代迫切需要解决的问题。
　　目前针对信息过载的处理方式是根据用户在互联网中产生的数据进行挖掘，对用户可能感兴趣的信息进行推荐，即个性化推荐系统。现阶段推荐系统常用的推荐算法主要是基于内容的推荐算法，协同过滤推荐算法，以及两者同时使用的联合推荐算法。为了提高推荐系统的准确率，很多学者将研究重心放在对推荐算法的改进上。然而现阶段的所有推荐算法在面临推荐系统矩阵稀疏和冷启动问题上都显得无能为力。引起矩阵稀疏和冷启动问题的根本原因是，推荐系统所需的数据源信息不足。增加数据源最有效方式是增加用户的反馈信息，但这势必会引起用户对推荐系统的反感。
　　如何能在不改变用户反馈信息工作量的前提下，提高推荐系统准确率是现阶段推荐算法的研究重点。作者通过对现有的推荐系统进行分析，认为造成推荐系统矩阵稀疏的原因，除了用户商品评分矩阵数据缺失以外，评分矩阵粒度较大也是一个重要因素。而作者在参考了经济学领域的相关文献后，发现商品的价值是由商品固有属性价值的线性叠加而得出，而用户对商品的评分则主要是基于对商品某些属性的综合评分。因此作者认为可以根据商品知识对商品进行属性划分，并且将传统的用户商品评分矩阵转化为用户商品属性的评分矩阵。作者在理论上证明了此种矩阵转化方法的合理性，继而通过互联网数据验证了这一方法，最后作者基于此矩阵提出一种基于商品属性叠加的推荐算法，并从实验数据上证实评分矩阵通过细化推荐系统矩阵细度，在一定程度上解决推荐系统矩阵稀疏问题，并且提高了推荐系统的准确率。

目录

声明

摘要

插图或附表清单

1 绪论

1．1 研究背景

1．2 研究内容和创新点

1．3 论文结构

2 Web2．0时代特点与推荐系统系统文献综述

2．1 Web2．0综述

2．2 个性化推荐系统综述

3 基于属性叠加的个性化服务推荐算法

3．1 引言

3．2 矩阵转换的方法

3．3 基于属性叠加的个性化推荐算法

4 实验过程与算法评测

4．1 数据集

4．2 评测指标和评测结果

4．3 测试方法

4．4 本章小结

5 总结和展望

5．1 全文总结

5．2 研究展望

参考文献

致谢

作者简介及读研期间主要科研成果