论文部分内容阅读
随着时代的发展和科技的进步,电子商务逐渐成为了人们交易方式,使人们生活在大数据的环境中,面对海量的信息,导致用户需要消耗大量的时间成本去挑选、辨别适合自身的产品,甚至无从选择。这种现象的出现是必然,也是急需解决的情况。电子商务领域中需要有推荐系统智能地帮助用户筛选出自身所需的信息,而评价推荐系统的优良是由推荐算法决定的。由于目前协同过滤算推荐算法存在数据值单一、数据量稀少、实时性差、计算量大、推荐效率低等问题,论文在中央红沃沃购电子商务企业协同过滤推荐算法的应用研究基础上,进行了进一步的研究,论文整体研究内容如下:(1)针对传统协同过滤算法中推荐效率低、计算量大的问题,提出了基于改进人工蜂群算法(Improved Artificial Bee Colony Algorithm,IABC)的 K-means 聚类协同推荐算法。论文通过初始化、适应度函数两方面来对人工蜂群算法(Artificial Bee Colony Algorithm.ABC)进行改进,与K-means迭代结合,得到更加精准的聚类效果,再并入协同过滤算法,完成推荐。通过实验分析证明了基于IABC算法的K-means聚类协同过滤推荐效果比传统协同过滤算法和基于K-means聚类的协同推荐算法更好,可有效地应用在中央红沃沃购电商平台的推荐系统中。(2)针对传统协同过滤算法中数据稀疏性、实时性差和数据值单一的问题,提出了基于情景感知的用户兴趣模型(Context-Awareness User Interest Model,CA-UI)。论文通过用户的显式行为和隐式行为记录数据,从而丰富了数据量,在一定程度缓解了数据稀疏性的问题,同时将用户实时行为和情景因素引入,使数据不再是单一的布尔量化值,而是精准地表现了用户对项目的关注程度,得到用户-项目关注度矩阵,解决了实时性差和数据值单一的问题,有效地缓解了中央红沃沃购电商平台的用户数据稀缺的问题。(3)运用基于IABC算法的K-means聚类协同推荐算法对用户进行推荐,保证个性化推荐在推荐性能和推荐精度上的优越性。通过实验分析证明了基于IABC算法的K-means聚类协同过滤推荐算法在基于情景感知的用户兴趣模型(CA-UI)推荐方面具有更好效果,能够有效地解决中央红沃沃购电商平台推荐系统存在的问题。论文针对协同过滤算法的不足,提出了基于情景感知的用户兴趣模型(CA-UI)和用户聚类协同推荐算法。利用基于IABC算法的K-means聚类协同推荐算法对关注度矩阵中的用户进行推荐。通过实验表明基于CA-UI模型及用户聚类协同推荐算法的推荐效果比传统协同过滤推荐效果好,能够更好地为中央红沃沃购电商平台的用户提供个性化的推荐。