论文部分内容阅读
随着Internet的快速发展,互联网的广泛应用与普及,我们进入了高速信息和电子商务的时代。互联网的数据量逐渐膨胀,以互联网为基础的电子商务企业的规模也在不断扩增,商品的种类和数量都处于高速增长时期,无论是对电子商务企业还是个人都产生了重大的影响。在互联网经济体系中,顾客很难在短暂的时间内迅速检索到自己所需要的信息、服务或物品。这种充斥在互联网中的与自己需求无关的大量信息会使用户迷失(资源迷向),使顾客花费大量的时间进行检索排查,最终导致客户群的流失。因此,智能化的个性化推荐算法是非常必要的。它被提出来帮助互联网企业解决信息过载以及客户流失的问题。个性化的推荐系统是在对海量数据进行挖掘的基础上建立的一种高级商务智能平台,以此帮助电商为其顾客购物提供完全个性化的决策支持和推荐服务,将顾客潜在的兴趣挖掘出来,并转变为销售量的增长与盈利。不过,个性化的推荐系统也衍生了较多的问题,如推荐结果的覆盖率过于狭窄,实时性不高,准确性低等。为了解决上述问题,本文对基于用户的协同过滤和基于强关联规则的混合推荐算法进行了重点研究,并通过实验验证了采用本文提出的推荐算法的推荐结果的可靠性与准确性。合理的推荐算法在推荐系统的应用的中处于核心地位,它同推荐系统输出结果的好坏密切相关。本文针对推荐算法提出了一种基于用户的协同过滤算法的GRNN神经网络优化技术,它不但可以解决协同过滤算法引起的一系列问题,例如数据稀疏性问题等,还可以提升推荐系统的工作效率,优化推荐输出结果的质量,提升用户满意度,使算法的应用范围更加广泛。基于强关联规则的推荐算法中支持度与置信度的阈值选择十分重要,因此通过改进遗传算法优化置信度与支持度的阈值,以此来优化推荐结果的质量。最后,本文结合基于用户的协同过滤算法及基于强关联规则的推荐算法的优点,并且为了弥补各自的不足,提出采用基于两种基本算法改进后的混合个性化推荐算法。最后,将实际天猫用户的数据集作为本算法仿真的数据来源,设计三个实验,以此来比较基于用户的协同过滤算法,基于强关联规则的推荐算法及混合推荐算法的准确率,召回率,MAE及时间性能等指标,说明本文算法具有良好的实用性及可实践性。