面向电子商务的协同过滤推荐系统研究与设计

《面向电子商务的协同过滤推荐系统研究与设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、面向电子商务的协同过滤推荐系统研究与设计摘要:本文探讨了面向电子商务的协同过滤推荐系统的原型及基本架构,通过研究推荐方法、过滤算法及相似度计算设计;利用基于用户行为的关联和相关度技术,设计了一个面向电子商务的协同过滤系统。最后过讨论了一些面向电子商务的协同过滤推荐系统可能的存在的问题。　　关键词:电子商务协同过滤推荐系统　　:TP393:A:1007-9416(2011)03-0028-03　　　　1、引言　　随着电子商务的蓬勃发展,人们在享受由此带来的巨大便利的同时,也面临着从传统购物方式向X络虚拟购物方式转变的挑战。[1]面对众多odel-based)的协同过滤。　　基于用户的协同

2、过滤首先计算目标用户和其他用户之间的相似度,并从相似用户来预测到目标用户的评分矩阵。　　基于用户的协同过滤分为三个步骤:(1)收集可以代表用户感兴趣的信息。传统的系统一般使用打分的方式,例如:淘宝购物中的“买家评价”就属于这种评分方式,这通常被称为“显示评分”;(2)最近邻搜索。协同过滤的出发点是与你兴趣相同的一组用户,术语叫做“最近邻”。最近邻搜索的核心是计算两个用户的相似度。图3演示了协同过滤中邻居的一种形成过程[10];(3)生成推荐结果。最常见的推荐结果有两种,Top-N推荐和关联推荐。　　基于项目的协同过滤基于这样的假设:能够引起用户兴趣的项,必定与之前评分高的项相似。[9]

3、与基于用户的协同过滤类似,基于项目的协同过滤也分为三个步骤:(1)得到User-Item的评分数据;(2)对Item进行相似度计算,即针对Item做最近邻搜索;③生成推荐结果。　　2.2.3相似度计算和分析　　在协同过滤中,相似度是通过计算用户之间或项目之间的相关性分析得到的。用户和项目的相似度有三种计算方法:(1)皮尔森相关系数(PearsonCorrelationCoefficient);(2)余弦相似性(Cosine-basedSimilarity);(3)调整余弦相似性(AdjustedCosineSimilarity)。　　皮尔逊相关系数:一种度量两个变量间相关程度的方法。它

4、是一个介于1和-1之间的值,其中,1表示变量完全正相关,0表示无关,-1表示完全负相关:　　　　公式1:PearsonCorrelationCoefficient　　余弦相似性:通过计算两个空间向量之间的夹角余弦来定义相似度。　　　　公式2:Cosine-basedSimilarity　　调整余弦相似性:在余弦相似性度量方法中没有考虑不同用户的评分尺度问题,调整余弦相似性度量方法通过减去用户对项目的平均评分来改善上述缺陷。　　公式3:AdjustedCosineSimilarity　　其中,U是对项目i、j共同评分的用户集合,是用户u对项目i的评分,是用户u对项目j的评分,是项目i的平

5、均得分,是项目j的平均得分。　　3、协同过滤推荐中的关联和相关度分析　　3.1协同过滤推荐中的关联性　　通过搜索最近邻集合,我们就可以对目标用户的兴趣进行预测,并随之产生推荐结果。其中关联规则推荐就是一种重要形式。　　一个关联规则(AssociationRule)是一个如下形式的蕴涵关系:[2]　　其中是一个关联事务集合,sup为关联规则的支持度,conf为关联规则的置信度。　　(1)支持度:规则的支持度是指“T中包含的事务的百分比”,也可以看作是概率的估计,所以支持度表示规则在事务集合T中使用的频繁程度。设n是T中事务的数目。规则的支持度计算如下:　　(2)置信度:一条规则X(Y的置

6、信度是指“既包含了X又包含Y的事务的数量占所有包含了X的事务的百分比”。可以看成是条件概率Pr(Y

7、X)的一个估计。　　在协同过滤中,我们可能为一个目标用户找到好几个邻居,这个时候,我们可以采取两种策略来为用户生成更好的推荐:①增加Similarity值,缩小近邻的范围。②对预测项进行关联规则的挖掘,将置信度较高的项目推荐给目标用户。[3]在生成的关联规则中,相似项为关联规则的前件,推荐项为关联规则的后件。