基于标签的协同过滤稀疏性问题分析-analysis on sparsity of collaborative filtering based on tags.docxVIP

第一章绪论1.1研究背景与意义研究背景来自中国互联网络信息中心的最新统计表明，2010年，中国网民规模达到 4.57亿，互联网普及率攀升至34.3%[1]。2010年中国电子商务继续保持了快速发展，全年交易规模达4.8万亿，同比增长33.5%[2]。Internet 和电子商务提供了更加丰富的信息获取渠道，极大地拓展了信息选择的空间。但同时也带来了信息过载(information overload)问题。用户在找到自己需要的商品之前，往往需要浏览大量的无关信息。信息的使用效率反而降低了，这就是所谓的“信息过载而知识缺乏”。对企业而言，电子商务在为其提供了更多商业机会的同时也使得竞争日益加剧，企业要想保持竞争优势，就需要把网站的经营理念从传统的“以网站为中心” 转变为“以用户为中心”，分析用户的兴趣爱好，为用户提供感兴趣的商品和信息。在这种情况下，电子商务推荐系统应运而生。推荐系统基于社会关系进行个性化计算，引导用户发现所需的商品，从而与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失。推荐系统是数据挖掘系统的一类，但它又是一种较为特殊的数据挖掘系统，这主要是体现在推荐系统的实时性和交互性上。推荐系统不但根据用户以往的历史记录，而且需要结合当前一段时间的行为动作做出实时的反应，并根据与用户交互的反馈结果修正和优化其推荐结果。另外与其他数据挖掘系统的不同点是，推荐系统主要面向的对象是用户，而不是企业管理、市场营销人员。在日益激烈的竞争环境下，电子商务推荐系统能有效保留用户，提高电子商务系统的销售，成功的电子商务系统将会产生巨大的经济效益。推荐系统从以下几个方面促进电子商务网站的销量[3]。(1)把浏览用户变成购买用户，网站的很多访问者往往只是浏览网页而不购买任何商品，推荐系统可以帮助用户找到其愿意购买的商品，从而将浏览者变成购买者。(2)促进交叉销售，推荐系统可以基于购物篮向用户推荐其他有价值的产品。用户可以从推荐列表中发现自己需要但之前没有留意的商品，从而增加商品的购买种类。(3)提高顾客忠诚度，相对与传统商务模式，电子商务环境下用户忠诚度相对较低，推荐系统通过为用户提供商品推荐这样的增值服务来提高用户对电子商务网站的忠诚度。电子商务推荐系统通过分析用户的购买习惯和需求，向用户提供有价值的商品推荐。如果推荐质量很高，用户就会再次访问这个网站。用户使用推荐系统的次数越多，推荐越精确，用户对网站的忠诚度就会越高目前，许多大型电子商务网站都不同程度地使用一些推荐技术。例如：作为全球最大的电子商务网站，Amazon(/)通过对用户浏览过的商品和购物记录进行筛选，给用户提供相关的商品和购物信息，帮助用户发现自己喜欢的商品和跟踪自己的订单；MovieLens (/)通过推荐系统向用户提供免费、个性化、非商业、无广告的电影推荐；搜索引擎Google 和门户网站Yahoo 也向用户提供个性化的信息服务。研究意义随着互联网和电子商务的迅猛发展，电子商务推荐系统作为一种新兴技术，在理论和应用方面都得到很大的重视，针对推荐系统的瓶颈问题展开研究具有重要意义。实际应用方面，推荐系统能够为企业带来经济效益。面对海量的信息和用户的个性化需求，推荐系统能够模拟销售人员把用户可能感兴趣的商品实时送到用户眼前，减少用户寻找自己所需商品的时间，从而为用户提供一个方便快捷的个性化购物环境，满足不同顾客对不同商品的个性化需求，以赢得更多的客户，获得更高的销售业绩。在理论研究方面，自从上世纪90年代中期第一篇论文发表以来，推荐系统一直被学术界广泛关注[4]，目前推荐系统面临的的稀疏性，冷启动，规模性，扩展性，交互性问题等一直是国内外学者研究的重点。1.2电子商务推荐系统概述1.2.1定义推荐系统的非形式化定义目前广泛使用的推荐系统系统非形式化概念是Resnick和Varian在1997年给出的：推荐系统是利用电子商务网站向用户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助用户完成购买过程。推荐系统有3个组成要素：推荐候选对象、用户、推荐方法。推荐系统可以根据收集到的用户偏好信息，使用不同的推荐策略产生推荐结果，返回给用户使用。 推荐系统的形式化定义[4]设用户空间为U，所有可能推荐的商品空间为I,设效用函数f：U×I→R表示项目i 对用户u 的效用。R的论域为评价值的取值范围（如：1～5或者1～10 等）推荐系统就是找到使用户u 的效用函数f 取值最大的项目。即：???∈??, ???=argmax??∈????(??,??)(1.1)在推荐系统中，效用表示特定用户对于特定项目的偏好程度。效用可以用任意的函数来描述，根据不同应用场景，用户可以指定不同的效用函数，推荐系统经常使用用户评价值来代表项目对用户的效用大小。每一个用户都可以使用用户特征