基于web数据挖掘的个性化推荐系统.docxVIP

耿羽 123520085211005 期末论文 PAGE1 / NUMPAGES15 计算机学院 基于web数据挖掘的个性化推荐系统 耿羽 123520085211005 计算机技术 2013/5/31  目录 TOC \o 1-3 \h \z \u 摘要 2 一、个性化推荐系统简介 2 二、个性化推荐系统的基本框架 2 2.1 用户建模模块 3 2.2 对象建模模块 4 2.3 算法模块 5 三、个性化推荐算法 5 3.1 基于内容推荐 5 3.2 基于协同过滤推荐 6 3.3 基于关联规则推荐 9 3.4 基于效用推荐 9 3.5 基于知识推荐 9 3.6 组合推荐 9 四、个性化推荐系统的评测 10 五、综合性网络购物平台个性化案例 10 六、个性化推荐的未来挑战 12 参考文献 15  摘要 在海量信息数据化的今天，网络用户与商家均面临着信息混乱的问题，个性化推荐技术是解决该问题的一个有效方法，本期末论文简要的介绍了个性化推荐系统的定义，阐述了几种常见的重要的个性化推荐算法，并对个性化推荐的作用和将来可能面临的问题进行了总结。 关键字：个性化系统，个性化推荐算法，个性化推荐的发展 一、个性化推荐系统简介 个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助各类网站为其用户提供完全个性化的决策支持和信息服务。它能够收集用户特征资料并根据用户特征，为用户主动做出个性化的推荐，满足客户的个性化需求。 电子商务个性化推荐系统的关键是建立用户模型，其推荐算法是核心，算法的性能决定了最终推荐结果的好坏。为了建立合理的用户模型，满足不同用户的要求，因而产生了一系列的推荐技术和算法。包括基于内容的过滤技术、协同过滤技术、关联规则挖掘技术、分类和聚类技术、神经网络技术等。 在电子商务领域，一个成功的个性化推荐系统的作用主要表现在以下三个方面： 将电子商务网站的浏览者转变为购买者。 提高电子商务网站的交叉销售能力。 提高客户对电子商务网站的忠诚度。 二、个性化推荐系统的基本框架 个性化推荐系统有3个重要的模块：用户建模模块、对象建模模块、算法模块。通用的推荐系统模型流程如图1.1所示。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 图2-1 通用的个性化推荐系统模型流程图 2.1 用户建模模块 为了给用户提供个性化的、高效的、准确的推荐，那么个性化推荐系统应能够获取反映用户多方面的、动态变化的兴趣偏好。这样就有必要为用户建立一个用户模型，来获取、表示、存储和修改用户兴趣偏好，并能够自动对用户进行分类和识别，帮助系统更好地理解用户特征和类别，理解用户的需求和任务，从而更好地实现用户所需要的功能。 建立用户模型前需要考虑以下几点： 模型的输入数据有哪些，如何获取模型的输入数据。 如何考虑用户的兴趣及需求的变化。 建模的对象是谁。 如何建模。 模型的输出是什么。 用户建模过程如图2.1-1所示。 图2.1-1 用户建模过程 获取用户信息就是解决模型输入数据的问题，模型的输入数据主要有： 用户属性 用户手工输入的信息 用户的浏览行为和浏览内容 推荐对象的属性特征 获取模型输入数据的方式有显式获取、隐式获取和启发式获取三种方式。用户模型的建模方法主要有遗传算法、基于机器学习的方法。 1. 遗传算法 采用遗传结合、遗传交叉变异以及自然选择等操作实现建模，通过遗传进化满足用户兴趣变化时完成模型的更新。 2. 基于机器学习的方法 TF.IDF将用户感兴趣的文档表示成关键词向量，并计算出每个关键词权重来建立用户模型。 使用贝叶斯分类器的系统计算用户浏览或访问过的推荐对象属于某个给定类的概率，然后依据概率将资源项目分类来建立用户对这些资源项目的偏好模型。 使用决策树归纳作为用户模型学习技术的系统将用户偏好的获取过程表达成一棵决策树，用户从根节点开始，被引导来回答一系列问题。树的每个节点表示了决策点，所采取的方向取决于对问题的回答或者对可用数据的计算。一旦叶节点被达到，则可得到对用户偏好的完整描述。 运用神经网络建模的算法，对系统对用户偏好的输入假设进行学习并调整网络连接权重，直到网络中的所有节点达到稳定激活状态。此时输出层中被激活的节点所对应的模式类，如感兴趣，不感兴趣类，即表示了系统识别的用户偏好。 聚类将具有相似特征的对象或用户分组，使用这类技术的系统一般建立用户群组的综合模型。 2.2 对象建模模块 在不同的领域中，个性化推荐的对象各不相同，如何对推荐对象进行描述对个性化推荐系统也