论文部分内容阅读
近年来互联网的发展给人们的生活带来了很大变化,特别是现在Web2.0方式下人们有了更丰富方便的网上生活,而作为互联网主力军的电子商务网站也是赶着互联网大潮不断地上升发展。电子商务网站中推荐系统的应用,在模拟用户购物习惯,帮助用户个性化推荐可能喜欢的商品的同时,提高了电子商务企业的盈利能力,也缓解了用户面对大量商品信息产生的信息过载困扰,提升了用户的网上购物体验。目前对于推荐系统和技术的研究应用在电子商务发展的良好形势下,倍受电子商务企业和领域内研究学者的关注。个性化推荐的研究,其核心任务是对推荐算法的改进创新。目前的研究主要集中于对已有主流算法的缺点的克服改进、新技术的引入、算法对不同应用环境的适用以及组合技术等方面,主要有协同过滤、基于内容、基于知识发现、基于交互、组合等一些推荐算法,其中协同过滤推荐作为推荐应用最广泛和成功的技术,一直是国内外学者和研究人员的研究的热点,且在克服算法不足和改进算法质量上也取得了不少的成果。本文在对各种主要推荐算法的理解和比较的基础上,着重研究了协同过滤算法,提出了改进用户模型的协同过滤推荐算法。该算法首先考虑了用户评分习惯不同在表达喜好时产生的评分差异,采取了去耦合的归一化方法对用户评分数据进行了归一化处理,以减少用户评分习惯不同对依据评分探索用户真实兴趣偏好结果的影响;其次考虑了用户兴趣随着时间遗忘偏移,使用遗忘函数模拟了评分的遗忘规律,对用户评分引入时间遗忘的权值,以提高推荐准确性;最后在计算最近邻居集合时对相似度计算进行了改进,在皮尔森相似度计算的基础上引入了有效权值因子,以得到更准确可靠的最近邻居集合。算法建立了离线的用户模型,使得算法有较好的推荐效率。实验采用MovieLens数据集,以平均绝对误差值(MAE)作为衡量标准设计了两组实验。一组实验对算法中参数进行试值,另一组实验将本文提出算法与其他算法做了对比,实验结果表明本文提出的模型和方法在推荐准确度和推荐效率方面都有更好的表现。