电子商务环境下基于实时信息的单类协同过滤算法研究

摘要

互联网的发展在给用户带来便利和惊喜的同时也带来了困惑和无奈。用户一方面享有丰富的信息资源，另一方面却难以快速找到自己所需要的信息。20世纪末伴随着电子商务的兴起与发展，个性化推荐技术迅速发展起来并应用于电子商务推荐系统，其作用体现在避免用户迷失于海量的物品信息中，帮助用户做出决策，选择出所需要的物品，提高物品的销售量。近年来，伴随着“大数据时代”的到来，信息超载、信息爆炸的频现，个性化推荐技术中的协同过滤逐渐成为目前为止最成熟也最成功的一项推荐技术。然而，在多数情况下，应用协同过滤技术的电子商务推荐系统收集到的往往是那些明确表达用户偏好的数据，没有考虑不能或是没有表达用户偏好的数据，导致推荐结果范围小，推荐准确性不高。而利用非明确表达或未表达用户偏好的数据进行的协同过滤就称之为单类协同过滤(One Class Collaborative Filtering，简称OCCF)。
　　与协同过滤相比，单类协同过滤的研究较少，加之数据稀疏，给研究带来一定难度，但同时这也表明了单类协同过滤有潜在的研究价值和空间。本文在研究大量国内外相关文献的基础上，选择针对单类协同过滤存在的数据稀疏性问题和实时性问题提出解决方案。首先归纳总结了该领域研究的基础方法，然后运用奇异值分解、矩阵加权逼近等方法，设计了单类协同过滤推荐算法，并建立了相应的模型。在权值的设定中，在以前研究者的基础上，引入了实时信息:用户关系管理相关的用户近期浏览信息以及与物品生命周期相关的物品投入市场信息。最后，借助Matlab等软件对所设计的算法进行了仿真模拟，将该算法与已有的基础算法进行对比，进而验证其有效性。
　　经验证，基于实时信息的单类协同过滤推荐算法在一定程度上要优于其他基础算法。当前，物品的生命周期越来越短，用户的购买偏好会随着时间的变化而改变，运用该推荐算法可以有效提高电子商务推荐系统的推荐质量，对电子商务领域中交叉销售，个性化、有针对性的推荐销售等有着积极意义。

目录

声明

致谢

摘要

1 引言

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究意义

1．2 相关概念

1．2．1 电子商务推荐系统

1．2．2 协同过滤推荐算法

1．3 国内外研究现状综述

1．3．1 传统协同过滤推荐算法的研究

1．3．2 单类协同过滤推荐算法的研究

1．3．3 文献评述

1．4 研究内容及论文框架

1．5 研究方法及创新点

1．5．1 研究方法

1．5．2 创新点

2 单类协同过滤的相关理论及方法

2．1 协同过滤推荐的原理及分类

2．1．1 协同过滤算法的原理

2．1．2 协同过滤算法的分类

2．2 单类协同过滤推荐算法的原理

2．3 单类协同过滤推荐算法的技术重点

2．4 本章小结

3 基于实时信息的单类协同过滤算法设计

3．1 问题分析

3．2 单类协同过滤模型及公式

3．3 改进算法的依据

3．4 权重设置方案

3．4．1 基本方法

3．4．2 实时加权方法

3．5 算法流程及分析

3．6 本章小结

4 基于实时信息的单类协同过滤算法的仿真研究

4．1 数据集和评估标准

4．1．1 数据集选择

4．1．2 推荐质量的评估标准

4．2 运行方案设计

4．3 仿真实现及结果分析

4．4 本章小结

5 结论与展望

5．1 论文主要研究内容总结

5．2 论文的展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

声明

学位论文数据集