论文部分内容阅读
电子商务的发展为个性化推荐系统带来了发展契机,个性化推荐系统会分析用户的各种历史信息和行为,从海量信息中筛选出有效信息便于用户浏览。用户体验要求的提高,促使研究者对推荐方法中存在的问题不断改进。随着用户和商品数的增加以及评分数据的缺失,数据稀疏问题越来越凸显,推荐方法的准确性大大降低。本文针对数据稀疏问题,提出一种基于改进的二分K-means聚类方法的协同过滤推荐算法;并且针对其中的冷启动问题,引入比例均值预测评分法进一步优化;最后,设计并实现一个基于上述两种改进算法的购物网站推荐系统。本文的主要研究内容包括:(1)针对现有协同过滤推荐算法存在的数据稀疏问题,本文提出一种基于改进的二分K-means协同过滤推荐算法。采用改进的二分K-means方法进行聚类,通过动态添加质点,从而有效地降低初始质点选择对聚类结果的影响。为了降低评分标准的差异,根据聚类结果,结合用户评分的平均值、同簇内用户间的相似度计算预测评分。实验结果表明该方法能够得到更好的效果。(2)针对协同过滤推荐算法中存在的冷启动问题,引入比例均值预测评分法进一步优化。该方法使用比例均值预测评分法有效地将用户评分和用户属性相关联,利用新用户和新商品的注册信息改善其冷启动问题。通过在不同规模数据集中与均值法和众数法进行实验对比得出本文改进的方法具有更好的推荐效果。(3)通过分析购物网站的需求、功能模块和流程,结合改进的二分K-means算法和比例均值预测评分法,设计一种基于协同过滤购物网站推荐系统,该系统能够改善系统数据稀疏问题和冷启动问题。(4)在对系统功能进行分析与设计的基础上,实现了该协同过滤购物网站推荐系统。系统采用SSH框架技术,将数据展示、存储和控制管理分离。同时选择W测试模型、LoadRunner性能测试工具对系统性能进行测试及验证。测试结果表明,相对于传统的推荐系统,本系统性能更好,系统运行更稳定。