多维评分标准在推荐系统中应用.docVIP

多维评分标准在推荐系统中应用摘要：文章介绍了推荐系统的起源以及当前的发展水平，描述了推荐系统的推荐算法。文章结合推荐系统现存的局限性提出了改进的方法，以提高其提供的推荐项的质量，使推荐系统能够得到更广泛的应用。这些改进包括：将用户打分准则进行细分，以减少主观因素的影响；建立多维推荐模式，以得出更加准确的推荐等。最后，对推荐系统未来的发展方向进行了展望。 关键词：子商务；推荐系统；推荐算法；多维评分标准 随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户，防止用户流失，提高电子商务系统的销售。 自从20世纪90年代第一篇协同过滤的论文发表以后，推荐系统已经成为了一个重要的研究领域。推荐系统主要通过3种途径提高电子商务系统的销售能力：一是将电子商务系统的浏览者转变为购买者；二是提高电子商务系统的交叉销售；三是保留用户。即分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。然而除了这些优点，推荐系统仍有许多需要改进的地方，以使其在实际生活当中得到更广泛的应用。 一、推荐系统描述 推荐系统是从认知科学、近似理论、信息修复、预测理论、管理科学、营销中的消费者选择模型等相关科学理论中发展起来的。它最初作为一门独立的学科出现是在20世纪90年代中期，最初的推荐系统研究集中于根据用户打分做出合理推荐，其关键问题在于预测出用户的打分。 推荐问题可叙述如下：c为某一用户，s为待推荐项（即要向用户推荐的产品，如书、电影、饭店等）。值得注意的是，s所包含的项的数量在一般情况下是很大的，通常要达到万条记录以上，甚至有可能上百万。同时，c所包含的用户的数量也很大，这就要求我们要选用那些高效率的推荐算法，否则极易引起数据堵塞。u是对于某一用户c来说，项s的可用性，即u：C×S→R。 在推荐系统中，每个推荐项的可用性通常由比率代替，代表某一用户对某一特定项的喜爱程度，然而在某些情况下，项的可用性也会带有任意性或利益性，因为用户在打分的时候不能保证完全从对该项的喜爱程度的角度出发，许多客观因素都有可能影响用户的打分行为，例如，某用户可能本来很喜欢a餐馆，但最近一次在该餐馆就餐时发生过不愉快的事情，则用户在对该餐馆打分时极可能给出较低分数，这就使得项的可用性发生了偏差。 为了解决此类问题，我们提出以下方法：将用户对项的大类进行细化。仍旧以a餐馆为例，将用户对餐馆的打分细分为3项：饭菜质量、用餐环境、餐厅服务。让用户对每一项分别打分，再将3个得分按权重求和，得出该餐馆的可用性u值。这种细分能过最大化的降低客观因素对用户打分的影响，使用户对项的打分较为准确、真实，但数据处理量也相应增大，且各种分类的权重较难确定，因此在实施时有一定的困难，还应进一步完善。 推荐系统可以根据推荐算法分为3类.基于内容的推荐算法：在启发式研究中较常使用的研究方法有：IF-TDF（信息恢复）、聚类等。在基于模型的研究中常使用的方法有：贝叶斯分类、聚类、决策树、人工智能网络等。基于协同过滤的推荐算法：在启发式研究中较常使用的研究方法有：最近邻居法（计算两者间的余弦或相关性）、聚类、图论等。在基于模型的研究中常使用的方法有：贝叶斯网、聚类、人工智能网络、线性回归、概率模型等。 混合型推荐算法：在启发式研究中较常使用的研究方法有：对预测值进行现行组合、分析各种打分表、将某种方法的一部分嵌入到其他方法中等。在基于模型的研究中常使用的方法是：将某模型的一部分嵌入到其他模型中，建立一个新的综合模型。 二、多维的推荐 目前的推荐系统只在二维空间上操作。也就是说，这种推荐系统只是基于用户和项的信息做出推荐，并没有考虑额外的相关信息。而恰是这些额外的相关信息可能在某些情况下对推荐结果有着十分重要的影响。在多数情况下，产品对于用户的可用性十分依赖于用户使用该产品的时间（如一年中的某个季度或月份，或一星期中的某一天）；它还可能依赖于用户是与谁一起消费或分享该产品；在什么样的环境下等其他相关因素。此时，仅简单地将得分最高的项推荐给用户是不够的，推荐系统还必须能够应用额外的相关信息（如时间、地点、用户的同伴）对用户提供更加精准的推荐。例如，为用户推荐旅行箱时，推荐系统也同时应该考虑该用户是在一年中的哪个时段、和谁去旅行；旅程的条件如何；旅途中有哪些限制等。所以，将二维的推荐空间扩展到多维推荐空间是十分必要的，这将极大程度地提高推荐系统的推荐效果。 三、总