论文部分内容阅读
推荐系统是根据互联网用户的个人信息或网站行为来推测用户的偏好,进而为用户进行产品推荐的新技术。随着互联网的蓬勃发展,推荐系统已经应用于许多互联网服务,尤其是电子商务领域。传统的推荐算法仅依靠用户对商品的整体评分或者用户在浏览网页时的网页行为等隐性数据来分析用户偏好,这些推荐算法和用户数据随着网站内容的不断细化以及用户对推荐内容要求的不断提高,日益显现其不足,如推荐精度不高、推荐效率低。所以采用有效的数据是保证推荐系统准确性的关键因素。如何尽可能满足潜在目标用户的需求,向他们推荐符合兴趣偏好的商品是当前推荐算法的首要问题之一。针对这个问题,本文研究了互联网领域个性化推荐的主流技术和应用,并结合了Web文本挖掘技术,提出了一种基于在线评论意见挖掘的推荐算法,该算法从用户的在线评论文本数据出发,挖掘用户在商品特征层次上的偏好,再基于协同过滤算法产生推荐,目的是能把这一用户生成内容利用到个性化推荐中,挖掘出用户最直接真实的偏好和期望,以使推荐结果尽可能符合用户的兴趣,从而提高推荐的准确度。本文提出了一个基于意见挖掘的个性化推荐系统框架,设计了一套完整的通用流程,为现实的电商推荐系统提供了一种较为可行简便的补充方案。同时本论文也采用了互联网上的真实用户评论数据进行了实证研究,实验结果证明本系统能够产生较为有效的推荐。