论文部分内容阅读
近些年来,互联网迅猛发展,电子商务保持着持续增加的趋势,信息在不断的膨胀甚至于过载,正是因此电子商务面临着巨大的挑战。为了解决这一难题,电子商务推荐系统应运而生,电子商务推荐系统可以帮助用户快速的定位到自己喜欢的商品。协同过滤技术是目前发展最为迅速的的一种个性化推荐技术,但传统协同过滤本身的算法本身具有局限性,存在“稀疏性”问题、“冷启动”问题和“可扩展性”问题等,针对电子商务推荐系统中通常采用的协同过滤推荐算法的不足,本文提出了一种改进的协同过滤组合推荐算法。本文首先引入聚类分析,在聚类分析的模型中,只将目标用户或项目在由聚类产生的搜索空间进行搜索,而不必在整个数据空间中进行,这样缩小了搜索范围,提高了搜索效率,有效提高了系统的实时响应速度,这就是我们引入聚类分析对数据集进行预处理的原因。本文引入了信任模型,利用回归分析法将由用户-项目评分矩阵产生的相似度矩阵与由用户-用户信任评分矩阵产生的信任度矩阵相结合,作为进行最近邻搜索的新的标准,提高了推荐的准确性,从而为目标用户提供更好的推荐结果。本文以传统的协同过滤推荐算法为基础,引入聚类分析与信任模型成为一种新的协同过滤组合推荐算法,该推荐算法能够有效改善或克服传统协同过滤技术中出现的问题,从而提供系统的准确性。本文并对该算法进行了设计,并进行了对比实验,经过实验表明,该算法能够降低预测的用户评分与实际的用户评分之间的平均绝对偏差,提高系统的推荐质量。