传统上,帕累托法则似乎认为公司的大量收入是由相对较少的热门产品产生的,因此以往的电商销售数据更关注排行靠前的商品。然而,互联网的发展克服了传统零售商的各种困难,在商品的边缘成本趋于零的情况下,那些分布在尾部商品的销售规模足以与热门商品相匹敌。通过对Amazon、Netflix等互联网企业的销售数据分析,美国一名杂志主编Chris Anderson提出了“长尾”这一概念,这一现象引起了广泛的关注,各科学领域的研究人员对生活中存在的长尾现象进行了深入的研究。本文结合了长尾理论的相关概念,为了更好的提高冷门商品的推荐率,在基于物品的协同过滤TOP-N算法上进行改进,具体工作如下:首先对推荐系统领域的主要算法进行了介绍,在分析不同类推荐算法优缺点的同时,重点描述了在协同过滤算法中,基于物品推荐itemCF与基于用户推荐userCF的区别,从惊喜度、数据稀疏度、多样性三个角度阐明了为什么使用基于物品的itemCF作为长尾理论推荐的基础。其次对传统的基于物品推荐在进行长尾推荐时,冷门商品与热门商品在物品相似度计算步骤中并没用进行明显区分的问题,本文提出了基于物品评论权重因子的改进算法itemCF-IIF,惩罚了热门商品在推荐列表出现的频率,提高了冷门物品被推荐的概率。然后针对长尾推荐中可能存在刷分现象这一弊端,通过实验分析用户评价均分对实验评测标准的影响程度,排除最有刷分嫌疑的用户群体,提高推荐结果的准确率。最后针对使用Jaccard物品相似度算法导致推荐结果不能对物品评分进行差异化区分的问题进行了改进,提出了物品评分均分因子对用户推荐列表中的物品进行了排序优化。排序优化后的用户推荐列表在挖掘长尾分布物品的同时,提高了用户体验和推荐质量。图19表10参57