《基于双信息源的协同过滤算法及其应用研究》由会员分享，可在线阅读，更多相关《基于双信息源的协同过滤算法及其应用研究（46页珍藏版）》请在金锄头文库上搜索。
1、合肥工业大学 硕士学位论文 基于双信息源的协同过滤算法及其应用研究 姓名：董全德 申请学位级别：硕士 专业：计算机应用技术 指导教师：王浩 2010-10 I 基于双信息源的协同过滤算法及其应用研究基于双信息源的协同过滤算法及其应用研究 摘摘 要要 在竞争不断加剧的背景下，电子商务网站不断利用个性化推荐技术提高新 用户的兴趣和老用户的忠诚度。协同过滤（CF）作为推荐系统中最成功的一项 技术，它的能力已经在不同的电子商务系统中得到了验证。 然而，传统 CF 遇到一些棘手的问题如冷启动问题、数据的稀疏性问题、推 荐的可靠性问题等需要有效的解决办法。特别是 CF 在处理交互性强、需要专门 技能知识的
2、领域，更显得力不从心。为解决上述问题，研究者已提出了 CF 与基 于内容过滤结合的混合推荐技术。但是，基于内容过滤需要提取这些产品种类 的许多特征，这个工作是非常困难的。本文正是在这种背景下，为了解决协同 过滤算法中遇到的数据稀疏性、针对具有专门知识背景的项目推荐，提出基于 双信息源模式的协同过滤算法。 作者首先从电子商务的推荐系统入手，阅读了国内外大量相关资料，概述 了电子商务中推荐系统的作用和应用实例；给出电子商务推荐系统的模型，并 介绍了推荐系统中的输入数据的种类及其特征；对电子商务中的推荐系统的分 类和应用的典型技术做了较为深入的研究。 其二，对协同过滤的推荐算法进行研究分析，说明协同
3、过滤算法的工作原 理和算法的输入输出；对普遍应用的两种协同过滤算法基于用户的协同过滤 推荐算法和基于项目的协同过滤推荐算法，进行了介绍；重点讨论了传统的协 同过滤算法存在的问题，并分析了当前提出的解决方法，指出它们的优势和不 足之处。 其三，详细介绍本文提出的基于双信息源模式的协同过滤算法，该方法将 判断活动用户对目标项目的兴趣程度建立在两个推荐组相似用户推荐组 （最近邻居集合）与专家推荐组基础上，把两个推荐组的建议结合起来，形成 可靠的信息源，然后，分析各自影响活动用户对目标项目的权重，计算活动用 户的最终兴趣度，实现系统推荐。基于双信息源模式的协同过滤算法（DISCF） 充分考虑电子商务中
4、个性化服务的实际情况，使推荐系统建立在更可靠的信息 源基础上，仿真试验证明该方法有更好的推荐质量。 关键词：关键词：电子商务；个性化推荐；协同过滤技术；双信息源；平均绝对偏差 II Research on Dual Information Source Model-Based Collaborative Filtering Algorithms Abstract In todays highly competitive e-commerce environment， the personalized recommendation has emerged as a critical applic
5、ation which is essential to a Web site to retain visitors and turn casual browsers into potential customersOne of the most successful recommendation techniques is collaborative filtering， whose performance has been proved in various e-commerce applications However，conventional CF methods suffer from
6、 a few fundamental limitations such as the cold-start problem，data sparsity problem，and recommender reliability problem Thus ， they have trouble dealing with high-involvement knowledge-intensive domainsTo overcome these problems，researchers have proposed recommendation techniques such as a hybrid ap
7、proach combining CF with content-based filteringBecause e-commerce Web sites often have various product categories ， extracting the many attributes of these categories for content-based filtering is extremely burdensomeUnder this background， this thesis developed Dual Information Source Model-Based
8、Collaborative Filtering Algorithms (DISCF) to overcome data sparsity problem and in view of knowledge-intensive project recommendation First of all，the personalized recommendation in e-commerce is discussed and large associated data from domestic and abroad is searchedthis thesis Outlined function o
9、f the personalized recommendation system in e-commerce and the application example，gave the personalized recommendation systems model in e-commerce， introduced types and characteristics of the input data in the recommendation system and has done more thorough research to recommendation systems class
10、ification and typical technology Secondly， Collaborative Filtering Algorithms is researched， explaned principle and I/O of Collaborative Filtering Algorithms；two kinds of widely applied Collaborative Filtering AlgorithmsUser-Based and Item-Based recommendation algorithms are introduced Then it is ap
11、pointed that conventional CF methods suffer from a few fundamental limitations，analyzed current proposed solutions to these questions and pointed out their superiority and the deficiency Thirdly ， Dual Information Source Model-Based Collaborative Filtering algorithms (DISCF) is discussed detaily the
12、 CF method forms dual recommender III groupsa similar-usersgroup and an expert-usersgroupas credible information sourcesThen，it analyzes each groups influence on the target customers for the target product categoriesThe DISCF method fully considerated the personalized services actual situation in e-
13、commerce，caused the recommendation system established in the more reliable information source foundation，the simulation testing proved that this method has the better recommendation quality Key words： Electronic Commerce ； Personalized Recommendation； Collaborative Filtering；Dual Information Source ；MAE(mean absolute error) VII 插插 图图 清清 单单 图 2.1 电子商务中推荐系统模型.7 图 3.1 协同过滤工作原理 .12 图 4.1 DISCF 算法流程图.21 图 4.2 图书的模拟数据集 .26 图 4.3 笔记本的模拟数据集 .27 图 4.4不同数据稀疏度交互性强的笔记本推荐效果.30 图 4.5不同数据稀疏度交互性强的图书推荐效果.30 VIII 表表 格格 清清 单单 表 1.1 各种推荐技术 .2 表 2.1 推荐系统应用举例 .6 表 2.2 电子商务中推荐系统输入数据模型.8 表 2.3 混合推荐系统技术 .
