基于模范用户的协同过滤算法分析-analysis of collaborative filtering algorithm based on model users.docxVIP

1绪论1.1研究背景及意义对于互联网时代的人们来说，每天面临的问题不是如何获取数据，而是如何从纷繁复杂浩如烟海的数据群中分辨和挖掘数据。信息技术的发展和普及，使得汇聚全球人智慧和经验成为可能，互联网就是这个汇聚地。要共享他人的智慧和经验，寻找自己感兴趣的内容，用的最多最广泛的方法就是利用搜索系统。例如：google、yahoo、百度等。各大搜索系统在为用户提供众多检索信息服务时存在一个很大的问题就是不能很好的针对具体的用户搜索需求提供具有针对性的搜索结果，尽管搜索引擎进化到了今天，为用户提供多种假设性的搜索建议，但其与用户之间的交互运行模式决定了搜索引擎无法从用户角度获得足够的信息提供针对性的服务。互联网的发展和普及将电子商务这个新概念带进了寻常百姓家。电子商务网站如雨后春笋般在全球范围发展壮大，发展速度之快规模之大堪称互联网时代的奇迹。作为全球电子商务的成功代表，亚马逊网站从1995年成立到2002年，短短7年时间已经成为全球销售量最大的书店。到目前为止，其提供310万册图书，比全球任何一家书店的存书都要多15倍以上，用户遍及世界各地。亚马逊是电子商务领域的标杆也是缩影，众多电子商务网站销售规模和覆盖面都远远超过了传统零售业的各大卖场。这类新式的销售模式几乎可以满足任何用户的任何需求，与此同时电子商务也面临着用户如何能在如此大规模的商品中找到自己感兴趣的内容。很多时候用户在浏览电子商务网站的时候并不明确自己需要的信息或商品，又或者用户带着目的去浏览网站却陷入眼花缭乱的商品海洋中无从选择。电子商务网站要能够迅速提供用户感兴趣的商品和服务，创造好的用户体验和提高用户忠诚度的最佳方案是主动的向用户推荐其可能感兴趣的商品和服务。这种pushpull的运营模式中最重要的一环就是推荐。推荐服务在互联网中最初应用于搜索引擎和新闻组过滤等领域，当电子商务在互联网时代发展壮大的时候，推荐系统自然而然地融入到了电子商务的血液中，好像网络推荐技术就是为其而生的一样。一方面电子商务需要推荐技术更好的改善用户的使用体验，增加销售、扩大网站的影响力，另一方面电子商务的快速发展也促使了各种推荐技术不断推陈出新。目前几乎所有大型电子商务网站都不同程度地使用了各种推荐策略和技术。在激烈的竞争中，为用户提供更好的推荐服务成为各家电子商务网站角逐的焦点。1.2电子商务推荐系统的研究内容及现状ChrisAnderson在他的著作《长尾理论》中有一个著名的论断：“我们已经离开信息时代，进入推荐时代。”提供个性化的推荐服务成为急需解决的重要课题，也是未来网络世界的发展方向。1.2.1电子商务推荐系统的研究内容推荐系统到目前为止并没有一个公认的统一而精确的定义。许多专家和学者对推荐系统都提出了自己的定义。Resnick和Varian把推荐系统定义为对用户实现个性化的物品推荐。Schafer把推荐系统定义为只要提供单个的推荐结果作为输出或者以一种个性化的方式引导用户在大容量的可选项目中找到自己感兴趣或对自己有用的物品的系统。Sarwar等把推荐系统定义为利用统计和知识发现技术来解决与目标客户交互时提供商品推荐问题的系统。1997年以前，推荐系统主要用于信息过滤，比如电子邮件过滤，新闻信息组过滤，代表系统有ACF[1],GroupLens[2],Fsb[3],Ringo[4]等。1997年，CommunicationoftheACM杂志[5]组织了关于协同过滤的专刊，第一次提出了“推荐系统”这个名词，并把它作为专刊的题目。随着推荐系统被引入到电子商务领域，个性化推荐技术得到较快的发展。电子商务平台通过推荐系统分析和预测用户的喜好，将用户明确的或潜在的需求推荐给用户，这极大的方便了顾客，改善了用户体验，提高了顾客对电子商务平台的忠诚度，大幅增加了浏览量和交易量。电子商务推荐系统的研究内容主要包括：①推荐系统依据的数据源问题推荐系统通常使用用户的显式评分和隐式评分来取得用户对商品的兴趣程度。显式评价是推荐系统需要用户对于具体的商品进行评分或给出评价等级。例如：五级评分。分数越高说明用户对商品越感兴趣。某些推荐系统会简单使用支持或不支持获取用户的二元评价。这类评价方式推荐系统易分析，算法简单，准确度比较高，但要获取用户对商品的主动评分或评价动作比较困难，与庞大的商品规模相比显式评价数据非常稀疏。隐式评价是推荐系统通过用户在电子商务网站中的具体浏览行为进行分析判断用户对商品的评价。例如：用户的购买行为、检索行为、浏览时间等。这类隐式信息数据量大，内容丰富，相比显式评分具有更高的可信度，但获取困难，提取隐士信息转化为显式评价的算法复杂，对推荐算法和电子商务硬件平台有更高的要求。②推荐策略的研究电子商务推荐系统的推荐策略分为非个性化推荐和个性化推荐。非个性化推荐主要运用销售排行、新品推