移动商务论文范文.doc

《移动商务》课程论文 题 目： 院 （系）： 商 学 院 专 业： 电 子 商 务 学生姓名： 学 号： 授课老师： 刘 贤 锋 评价内容 满分 得分 格式规范，满足字数规定要求 10分 思路清晰，层次结构分明，紧扣主题 ，无抄袭 30分 论文有新意，有自己的观点和支撑理由 30分 观点展开具有合理性和科学性 30分 总分 100分 基于蚁群聚类项目评分预测的推荐算法研究 刘贤锋,李淑明 （桂林电子科技大学商学院 广西 桂林 541004） 摘要：针对数据稀疏性问题，提出基于蚁群聚类的项目评分预测方法，在对Web日志分析基础上将用户聚类，针对目标用户的未评分项目，找到目标用户的若干最近邻类簇，利用类簇内其他用户对目标项目的评分预测未评分项目的评分，从而达到降低数据稀疏性目的。最后，结合协同过滤思想设计了相应的推荐算法，并用从自主开发的旅游电子商务网站上收集的数据进行试验仿真。实验结果表明，与其它缓解数据稀疏性的方法相比，文中的方法显著提高了推荐精度。 关键词：电子商务；蚁群聚类；评分预测;推荐算法 0.引言 近年来，电子商务的发展与应用使得互联网商品信息量以指数增长。这虽拓展了消费者的商品选择空间，方便了网络购物，但也使消费者陷入“信息迷航”的困境之中，增加了筛选满意商品的时间和精力成本。为了降低过量商品信息给消费者带来的困扰，减少消费者的购买成本，提高消费者对网站的忠诚度，国内外学者提出了多种信息过滤技术。其中，推荐系统作为一种典型的信息过滤技术，受到了企业界和学术界的广泛关注。推荐算法作为推荐系统的核心，它的性能直接影响推荐质量。目前，主要的推荐算法有协同过滤推荐算法、基于关联规则的推荐算法和基于内容的推荐算法[1]。其中以协同过滤推荐算法的研究和应用最为广泛，它是依据最近邻居用户对商品的偏好预测目标用户对未购买或浏览商品的偏好，并为其筛选偏好程度较高的若干商品。因该算法的简洁和高效性而被应用于各类电子商务系统中，如A、CDN、eB、DrugstoreMovieFinder等。 协同过滤推荐算法是以用户对项目的评分数据为依据，但随着电子商务系统规模的扩张及用户和项目数的持续增长，算法的推荐精度受到评分数据稀疏性的制约，因为在数据极端稀疏情况下难以精确找到目标用户的最近邻居集[2]。为了缓解数据稀疏性，国内外研究者提出了多种措施。最常用的方法是给缺省值赋予固定值或平均值，以增加共同评分的项目数，但是该方法忽略了不同用户对项目偏好的异质性[3]。其次是结合奇异值分解和用户特征降低评分数据空间维度以提高评分密度[4]，或者利用主成分分析法处理评分数据集中的缺省值[5]，不过这些方法极易导致数据丢失。为此，可以通过计算项目的相似性评估缺省值[6]，但仍采用传统的度量方法计算项目相似性，评估不够精确。因为在数据极端稀疏时，对同一项目共同评分的用户数极为稀少。因此，可以在计算项目相似性时同时考虑项目评分相似性和项目属性特征相似性[7]，或者使用双向关联规则找到目标项目空间上相关联的项目集，利用用户对其它项目的评分对目标项目进行评分预测[8]。然而，上述方法均未能彻底解决稀疏性问题，于是，基于影响集[9]和云模型[10]的推荐方法应运而生，前者利用当前对象的影响集来提高项目的评分密度，后者在知识层面比较用户偏好相似性以解决稀疏性问题。 这些方法虽在一定程度上降低了数据稀疏性，提高了推荐精度，但仍存在以下不足：①以项目为主体，在计算项目相似性基础上构建缺失值填充模型，忽略了用户的主体地位；②对未评分项目的评分预测时，将所有的邻居项目评分平等对待，忽略了不同用户在不同时间的项目评分对目标项目的影响。对此，本文提出基于蚁群聚类的项目评分预测方法，利用蚁群聚类算法对记录用户浏览行为的Web日志进行分析，将偏好相似的用户聚为一类，针对目标用户的未评分项目，首先找到与目标用户偏好相似的若干类簇，根据类簇内不同用户对项目评分的时间给评分赋予不同权重，在此基础上预测未评分项目的评分，达到降低数据稀疏性目的，最后结合协同过滤思想设计了相应的推荐算法。 1. 蚁群聚类基本原理 蚁群聚类源于对蚂蚁尸体堆积和蚁卵分类的研究[11]。核心思想是将待聚类对象随机分布在二维网格上，用蚂蚁测量当前对象在局部环境内的群