导 师: 牛夏牧
学科专业: H04
授予学位: 硕士
作 者: ;
机构地区: 哈尔滨工业大学
摘 要: 推荐系统是电子商务系统最重要的技术之一,其作用在于替代传统商业经营模式中的导购员。借助各种推荐系统,用户可以快速准确的找到自己需要的商品。<br> 协同过滤推荐系统是目前应用最广泛和最成功的推荐系统,通过分析用户之间或商品之间的协同关系,系统可以得到用户的购买偏好或商品的受欢迎程度,以此作为推荐的依据。协同过滤推荐并不依赖于商品本身的属性,因此能很好满足商品极大丰富条件下的电子商务推荐系统的要求。<br> 传统的协同过滤推荐系统在应用中还有一些亟待解决的问题,突出表现在数据稀疏性及系统扩展性问题上。随着商品种类和用户数量的增加,数据的稀疏性也将急剧增加,由此得到的用户偏好和商品的受欢迎程度往往不准确,产生的推荐效果不理想。<br> 本文在研究与比较了各种传统协同过滤推荐算法的基础上,针对以上问题,引入了基于云模型的相似度度量方法,提出了定性知识指导下的协同过滤推荐算法,使推荐的精度有了很大的提高。本文的主要工作如下:<br> 首先,在传统协同过滤推荐算法中引入了基于云模型的相似度计算方法,从而克服了传统相似度计算方法严格属性匹配的不足,大大降低了数据稀疏性对推荐精度的影响。<br> 其次,在引入云模型相似度的前提下,提出了一种定性知识指导下的协同过滤推荐算法,协同过滤推荐中“相似”、“偏好”等概念的模糊性与不确定性通过云模型得到了很好的反映,使得算法更符合人类的思维模式。<br> 第三,在分析传统的加权平均策略的基础上,提出了一种基于评分频度的推荐策略,进一步提高了算法的推荐精度。
关 键 词: 云模型 协同过滤推荐系统 相似度计算 数据稀疏性
分 类 号: [TP311.52]
领 域: [自动化与计算机技术] [自动化与计算机技术]