论文部分内容阅读
随着互联网的不断发展和人们消费观念的转变,电子商务平台成为了人们首要的购物方式。在这种情况下,个性化推荐系统成为了帮助用户快速发现喜好商品的主要方式,同时也成为了帮助平台销售商品的主要手段。在推荐系统中,协同过滤推荐算法是被最广泛使用的,该算法的主要思想是寻找目标用户的相似邻居集,将该邻居集的用户喜好作为推荐项推荐给目标用户。但是,随着移动互联网的高速发展,传统的协同过滤推荐算法面临着更多挑战。首先,在移动互联网环境下,电子商务平台可以获取更多关于用户的信息内容,诸如用户位置上下文信息。这些信息对推荐算法中计算用户之间的相似性产生了巨大的影响。其次,移动互联网为推荐算法带来了更加庞大的数据量,在大数据环境下,推荐算法的推荐实时性难以得到有效的保障。针对上述移动互联网环境下推荐算法面临的两个问题,本文进行了深入的研究分析,提出了相应的解决方案。针对移动互联网环境下用户位置上下文信息对推荐算法中用户间相似性计算影响的问题,本文提出一种基于位置上下文信息的协同过滤推荐算法(CFLC, A Collaborative Filtering Algorithm Based on Location Context)。该算法将用户位置信息作为关键影响因素,与修正的余弦相似性计算方法结合,提出基于位置上下文信息的相似性计算方法,并利用这种相似性计算方法计算用户之间的相似性,进而寻找到目标用户的最近邻居集,最后通过最近邻居集中用户的兴趣爱好项为目标用户提供推荐。针对移动互联网环境下电子商务平台产生庞大数据量的问题,对传统协同过滤推荐算法造成严重的负载影响,本文提出了一种基于并行化迭代式k-medoids聚类的协同过滤推荐算法(CFPKM,A Collaborative Filtering Algorithm Based on Parallelized k-medoids Clustering)。该算法使用改进的并行化k-medoids聚类算法,预先对推荐算法中的用户-项目评分矩阵进行聚类分析,将用户分为k类。然后,计算目标用户与所属类中的其他用户之间的相似性,通过缩小数据空间来提高整个推荐算法的准确度和推荐速度。最后,本文通过对提出算法的实验仿真,以及与传统的协同过滤推荐算法进行比较分析,证明了在考虑用户位置信息以及利用聚类方式预先处理数据的情况下,进一步提高了推荐算法的有效性和准确性。