搜索
协同过滤在电子商务推荐系统中的应用研究作者：欧立奇学位授予单位：西北大学参考文献(34条)1.参考文献2.Resnick.VarianRecommendationsystemsCommunicationsoftheACM1997(03)3.SchaferJB.KonstanJ.RiedIJE-commercerecommendationapplications20014.HofR.GreenH.HimmelsteinNowit'sYOURWEB19985.GoldbergD.NicholsD.OkiBM.Terry,DUsingcollaborativefilteringtoweaveaninformationapestryCommun19926.JKonstan.BMiller.DMaltz.J.Herlocker,L.Gordon,andJ.RiedlGroupLens:ApplyingcollaborativefilteringtoUsenetnews1997(03)7.ResnickP.IacovouN.SuchakM.Bergstrom,P.andRiedl,jGroupLens:Anopenarchitectureforcollaborativefilteringofnetnews19948.UShardanand.PMaesSocialinformationfiltering:algorithmsforautomationwordofmouse19959.余力.刘鲁.罗掌华我国电子商务推荐策略的比较分析2004(08)10.王珊数据仓库技术和联机分析处理199811.JiaWeiHanMichelineKamber200012.BelkinN.CroftBWInformationfilterandinformationretrieval:twosidesofthesamecoin?199213.LoebSArchitectiogpersonalizeddeliveryofmultimediainformation199214.ShneidermanBDesigningtheuserinterface:strategiesforeffectivehuman-computerinteraction199815.DeanRpersonalizingyourwebsite199816.DhillonNAchievingEffectivePersonalizationandCustomizationUsingCollaborativeFilter199517.邓爱林电子商务推荐系统介绍200218.YuPhilipSDataMiningandPersonlizationTechnologies199919.ResnickP.IacovouN.SushakM.Bergtrom,P,andRiedl,JGroupLens:AnOpenArchitectureforCollaborativeFilteringofNetnews199420.JiaweiHah.MichelineKamber.范明.孟小峰数据挖掘概念与技术200121.MobasherB.ColleyR.SrivastavaJAutomaticPersonalizationBasedonWebUsageMining200022.ResnickPRecommendersystems1997(03)23.PalmeJChoiceintheImplementationofRating199724.SchaferJB.KonstanJ.RiedlJElectronicCommerceRecommenderApplications200025.GoodN.SchaferJB.KonstanJ.Borchers,A,Sarwar,B,Herlocker,J,andRiedl,JCombiningCollaborativeFilterwithPersonalAgentsforBetterRecommendations199926.SarwarB.KonstanJ.BorchersA.Herlocker,J,Miller,B,andRiedl,JUsingFilteringAgentstoImprovePredictionQualityintheGroupLensResearch199927.BadrulS.GeorgeK.JosephK.John,RAnalysisofRecommendationAlgorithmforE-Commerce200028.JohathanL.HerlockerJ.KonstanJ.Riedl,JExplainingCollaborativeFilteringRecommendations200029.HeylighenJ查看详情200230.罗健铭协同过滤网站推荐之研究200131.HanJ.FuY.TangSAdvancesofDBLearnSystemforKnowledgeDiscoveryinLargeDatabases199532.WeiCP.HuPJ-H.KungLMMultiple-LevelClusteringAnalysisforDataMiningApplications199933.BerryMJA.LinoffGDataMiningTechniques:ForMarketingSaleandCustomerSupport199734.YoonHoCho.JaeKyeongKim.SoungHieKimApersonalizedrecommendersystembasedonwebusagemininganddecisiontreeinduction2002相似文献(10条)1.期刊论文张忠平.郭献丽.ZHANGZhong-ping.GUOXian-liPEV:一种新的用于Item-Based协同过滤算法的相似性度量方法-小型微型计算机系统2009,30(4)在Item-Based协同过滤算法中,项目之间相似性的度量是整个算法的关键.通过分析传统的相似性度量方法在系统评分数据稀疏的情况下所存在的弊端,提出一种新的用于Item-Based协同过滤算法的相似性度量方法,该方法从邻近度、影响力、有用性三个方面综合考虑了用户评分对项目相似性的影响.实验结果表明,该方法能够有效地避免传统相似性度量方法所存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度.2.期刊论文李聪.梁昌勇适应用户兴趣变化的协同过滤增量更新机制-情报学报2010,29(1)高维、稀疏的用户-项目评分矩阵对基于项目的协同过滤推荐算法造成严峻的可扩展性问题.传统的解决方法是离线计算项目相似性并保存在系统中以供算法调用,但是不能充分利用最新评分数据以体现用户兴趣的变化.针对上述问题,提出了适合在线应用的协同过滤项目相似性增量更新机制,使得推荐系统在当前用户提交项目评分之后,能够实时完成相应项目与其他项目之间的相似性数据更新,从而推荐系统可以基于最新的项目相似性数据进行推荐处理,以适应用户兴趣的变化.实验结果表明,本文提出的项目相似性增量更新机制能够有效提高基于项目的协同过滤算法可扩展性.3.期刊论文姚忠.吴跃.常娜.YAOZhong.WUYue.CHANGNa集成项目类别与语境信息的协同过滤推荐算法-计算机集成制造系统2008,14(7)为改进基于项目的协同过滤推荐算法的推荐效果,在项目相似性计算时引入项目类别因素的影响,得出新的推荐算法,即基于项目类别的修正条件概率相似性,并在此基础上提出集成语境信息的多维推荐模型.通过与相关相似性、余弦相似性和修正余弦相似性的数值实验对比,证明在数据比较稀疏的情况下,改进算法所获得的推荐效果有较大提高.4.期刊论文闫祥雨.谢红薇.孙静宇基于领域知识的协同过滤推荐算法-电脑开发与应用2010,23(4)传统协同过滤推荐算法中项目相似度的计算建立在用户评分项目交集之上,没有考虑不同项目之间所存在的语义关系,致使推荐准确率低.基于领域知识进行项目相似度计算的协同过滤算法在用户评分的共同项目很少的情况下仍能给出不错的推荐.实验结果表明,该算法可以有效地解决用户评分数据极端稀疏的问题,提高推荐系统的推荐质量.5.期刊论文王霞.WANGXia基于项的协同过滤在推荐系统中的应用研究-计算机工程与设计2007,28(7)分析基于项的协同过滤在推荐系统中应用及所存在的问题,提出了一个基于项的协同过滤改进算法,并给出了改进算法在标准数据集上的实验结果,对改进算法与原算法进行了相关性能的比较分析,证明了改进算法的有效性.最后,对研究进行了总结,指出存在的不足,提出了进一步研究的方向.6.学位论文何安协同过滤技术在电子商务推荐系统中的应用研究2007随着网络的普及和信息技术的日新月异，电子商务这种新兴的商务活动方式被越来越多的企业和个人接受。为了满足用户的各种需求，电子商务系统的商品信息量迅速膨胀。用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统就是在这样的情况下应运而生。推荐系统在电子商务平台上扮演销售人员的角色，向用户推荐商品，帮助用户找到所需商品，从而顺利完成购买过程。电子商务推荐系统在应用中具有良好的发展和应用前景，逐渐成为一个重要研究内容，得到了越来越多的关注。协同过滤技术是目前推荐系统中应用最早和最为成功的技术之一，它的基本思想是：用户是可以按照兴趣分类的，具有相似兴趣的用户会购买相同的商品。尽管协同过滤技术在电子商务推荐系统中的应用获得了较大的成功，但是随着商务网站结构的复杂化，商品信息量和用户量的与日俱增，协同过滤推荐系统的发展面临着两个主要挑战：1)提高协同过滤算法的可扩展性，协同过滤算法能够为几千名用户提供较好的推荐，但是，当信息量膨胀到一定程度，算法的性能就开始急剧下降了。2)降低推荐系统数据集的稀疏性，协同过滤是基于其他用户的信息来产生推荐的，大多数用户感兴趣的商品信息不超过总量的1﹪，使得推荐系统不能准确地找到相似用户和识别推荐项目，导致了贫穷的推荐。针对这些问题本文提出一个改进的协同过滤方法——基于协同过滤和聚类的组合推荐算法。在这个方法中，首先使用聚类算法对所有的项(商品)进行分类，得到k个相似项集合。对用户的推荐计算就限定在他感兴趣的相似项集合里，有效地解决了算法的可扩展性问题，又符合多数用户只对某几类商品感兴趣的特征。接着，使用协同过滤技术产生推荐。在协同过滤模块我们又分两步进行：第一步，使用基于项目的协同过滤算法，根据邻居项计算预测评分，并把值较高的一些评分填充到用户一项矩阵内，得到一个新的比较稠密的矩阵，缓解稀疏性问题；第二步，选择用户感兴趣的相似项集合，在每个集合内，使用基于用户的协调过滤算法预测用户兴趣，产生推荐，最后综合这些推荐。这样既能免除邻居的多个兴趣的干扰，又兼顾了目标用户的各个不同兴趣。7.期刊论文欧立奇.陈莉.马煜.Ou.Liqi.Chen.Li.Ma.Yu协同过滤算法中新项目推荐方法的研究-微计算机信息2005,(33)为了有效地解决协同过滤算法中新项目难以推荐的问题,文中提出了一种对项目矩阵进行划分的方法.其基本思想是,首先利用分类树算法划分项目矩阵并计算项目间的相似度,在此基础上缩小近邻搜索的范围和需要预测的资源数目.通过用户对已有项目的评分排列顺序和项目间相似性预测用户对新项目的评分.实验结果表明:基于项目矩阵划分的协同过滤算法有效地解决新项目推荐困难的问题,显示出了比传统推荐算法更好的推荐质量和扩展性.8.学位论文温会平基于项目类别相似性与用户多兴趣的个性化推荐算法的研究2008随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐