智能推荐问研究.docVIP

智能推荐问题研究 摘要 21世纪是信息的时代，随着近年来互联网和信息行业的发展，数据正在迅速膨胀并变大，如何在信息量爆炸性增长的时代挖掘出自己想要的数据，以及让自己的数据脱颖而出，在商业、经济及其他领域中，有着重要的意义。本文根据所给用户观看电影的信息记录以及所在类别的不同，建立了分析用户喜好以及基于用户喜好或个人基本信息的电影推荐模型和系统。 针对问题一，根据个用户的电影观看记录，找出每个人观看过的电影。由每部电影的分类及用户给出的每部电影的评分，可以得到该部电影所属类型的评分，然后将该用户看过的所有电影对应类型的分数叠加，求出该用户对每类电影的综合评分，然后根据综合评分的多少，得知此用户倾向的电影类型。由结果来看，每个用户对18类电影中的某些电影类型都有特别的偏爱，各个类的得分差值较大，表明分析用户喜好很有必要。大多数用户喜欢戏剧类型和喜剧类型的电影。 针对问题二，联系实际生活中我们自己在网上浏览视频、应用电子商务时，有两个列表值得注意，其中一个是已观看视频，另一个列表是“猜你可能喜欢”。后者就是推荐列表，经查询得知电子商务的推荐系统给出的推荐列表，不仅基于用户浏览的内容，还会判断出用户所属的群体，并认为“同类型群体的人喜欢的该用户也应该会喜欢”，根据这两个判断结果，利用综合推荐算法，得出最后的推荐结果。 针对问题三，我们给新用户推荐得分高的电影。一个完整的推荐系统通常包含收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块。由于是新用户，没有用户信息的行为记录，不能分析出用户喜欢哪种类型的电影，因此要根据该用户所属类群喜欢的电影进行推荐，由该类人群对各部电影总体的得分高低确定推荐顺序，得出一个推荐系统。 文章最后对模型进行评价，并结合实际对模型进行推广。 关键词： 电子商务 推荐系统 数据挖掘 综合推荐算法 一、问题的背景与提出 随着互联网技术的迅猛发展，人们逐渐走入了信息过载的时代。面对大量的信息，我们都显得有些无所适从。作为信息需求者，从大量信息中找到自己感兴趣的信息往往是一件非常困难的事情；而对于信息提供者，让自己的信息脱颖而出，受到大家的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统通过建立用户和信息产品之间的关系，利用已有的选择过程或相似性关系，一方面挖掘用户潜在感兴趣的信息，另一方面让信息能够展现在对它感兴趣的用户面前。一个完整的推荐系统通常包含收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块。 我们身边最熟悉的例子要数电子商务网站的推荐系统，几乎每个大型电子商务网站都把个性化推荐作为重要的营销手段之一。电子商务推荐系统是电子商务网站用来向网站的访问顾客提供商品信息和建议，并模拟销售人员帮助顾客完成购买过程的软件系统，是实施电子商务的重要技术之一。更有文献表明早期Amazon（亚马逊）的35%销售增量都来自它的推荐系统。除了商品，音乐、电影等也是常见的推荐对象。 现有附件所给Movie Lens数据集，解决下述问题。 问题1：建立分析用户喜好的数学模型，并对编号为108，133，228，232，336，338，545，613，696，777的用户喜好进行分析。 问题2：建立电影推荐的数学模型，并给问题1中所列用户各推荐5部电影（同等条件下电影编号最小者优先）。 问题3：对于新用户（仅有用户注册信息），设计一个推荐系统。 二、 问题的分析 对于该问题的电影推荐模型，考虑将各部电影分类，依据用户和同一类人群的观看记录分析该用户和该用户所属类人群喜好的电影类型，综合两方面，给出推荐结果。 针对问题一，我们将用户的喜好用类型来体现，即判断出用户更偏爱哪种类型的电影。首先筛选出某一用户观看过的电影，为简单起见，先考虑某一部电影：根据附表对该电影的分类，得到电影所属的类型，再由用户的打分，分别给电影所属的若干类型赋予相应的分数。对该用户所观看的每一部电影都采用相同的方法，最后18种电影类型都有相应的分数，由电影类型的总得分情况，得出该用户对这18种电影类型的喜爱程度，哪种类型得分越高，说明用户越喜欢那种类型的电影。 针对问题二，电影推荐包括三大模块：收集用户信息的行为记录模块、分析用户喜好的模型分析模块以及推荐算法模块。收集用户信息的行为记录模块：利用MATLAB编程找出该用户看过哪些电影；分析用户喜好模块：可采用问题一中的方法；推荐算法模块：经查阅相关算法，发现无论是基于内容的推荐，还是基于协同过滤的推荐，都难以解决新用户问题，不能应用于本题，其他推荐方法也各有优缺点。由于组合推荐算法能通过组合后避免或弥补各自推