电子商务协同过滤推荐质量影响因素及其改进机制研究-技术经济及管理专业论文.docx

独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得 天津大学 或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名： 签字日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解 天津大学 有关保留、使用学位论文的规定。 特授权 天津大学 可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 （保密的学位论文在解密后适用本授权说明） 学位论文作者签名： 导师签名： 签字日期： 年 月 日 签字日期： 年 月 日 中文摘要 协同过滤推荐技术是电子商务推荐系统中最为成熟也是目前最为成功的一 种技术，但其受稀疏性、冷启动、扩展性等问题困扰，阻碍了其推荐质量与推荐 效率的进一步发展。本文从电子商务协同过滤推荐质量与推荐效率目前遇到的问 题出发，从保证基础评价数据的完整性，推荐方法的准确性，计算复杂度的适宜 性三个角度去分析电子商务协同过滤推荐系统，指出协同过滤推荐系统瓶颈的产 生原因，并提出了改进机制。 目前主流的推荐系统多依据用户对项目的直接评分或评价发现用户的购物 偏好，在此基础上应用某种推荐算法向用户实施推荐。因部分用户不愿意对项目 进行评价从而造成了评价数据的缺失，导致了协同过滤推荐的稀疏性问题。针对 该问题，本文提出基于用户的稀疏评价数据应用 SOM 神经网络对具有相似购物偏 好的用户进行聚类，依据同一聚类簇内用户购物偏好的相似性，进一步应用 RBFN （径向基函数神经网络）进行平滑预测处理以获得用户对未评价项目评价值。神 经网络聚类与预测有效的消除了基础评价数据的稀疏性问题，降低了基础评价数 据的不完整性给推荐系统带来的影响。 协同过滤受冷启动问题影响，对新注册用户和新上架项目无能为力，针对新 用户注册问题，本文提出在基于 Vague 集理论生成的“产品分类树”空间上实施 关联规则挖掘，并依据关联规则实施推荐。关联规则的挖掘与推荐有效的解决了 冷启动问题，作为协同过滤算法的必要补充保证了推荐方法的准确性。同时本文 在传统基于用户的协同过滤推荐的基础上提出分别对最相似用户与最不相似用 户分别聚类，并以两类用户聚类簇偏好产品的差值作为最终推荐以提高推荐精 度。 针对系统计算复杂导致的扩展性问题，本文提出复杂度的降低应从数据维度 降低和计算方法优化两个角度综合考虑。提出一种基于 Vague 集的“产品分类” 方法，对产品特征进行 Vague 值的提取与表示，并通过 Vague 值相似性计算公式 计算项目之间的相似性，依据项目之间的相似性对项目进行分类，并生成“产品 分类树”，该方法能够更准确的表示项目之间相似的精确程度，使相似项目聚类 更加准确。在“产品分类树”基础上依据用户兴趣预设“种子类”，在“种子类” 内进行计算和推荐。项目的预分类有效的降低了需计算的数据维度，从而有效降 低了计算复杂度。在此基础上结合“离线计算”和“在线推荐”进行计算方法优 化，即将数据的预处理，相似性计算，聚类计算等前期处理放在离线阶段，充分 发挥服务器的性能，在线阶段只实施计算结果的推荐，从而保证了系统的扩展性。 关键词： 协同过滤推荐 径向基函数 Vague 集理论 产品分类树 关联规则 ABSTRACT Collaborative filtering recommendation techniques is the most mature and successful one in E-commerce recommendation system currently, but it has sparsity, cold start, expansibility problem, which hindered the recommendation quality and efficiency of recommendation for further development. This paper start from the currently experiencing problems of E-commerce collaborative filtering recommendation quality and efficiency, and analyse E-commerce collaborative filtering recommendation system from three