基于社会计算的电子商务协同过滤推荐算法研究

随着电子商务在互联网产业中的兴起,作为电子商务平台核心技术之一的推荐系统已受到广泛的关注。电子商务推荐系统根据用户的个人特征、历史行为和物品特征等信息,结合相关的数据挖掘、机器学习和人工智能策略,预测用户对物品的需求程度。 在诸多推荐算法中,协同过滤的推荐技术是目前应用最广的推荐算法之一。尽管如此,但是随着互联网中信息膨胀和用户激增,协同过滤推荐技术面临着以下两个问题：第一,如何利用用户在电子商务平台上的社会属性提高推荐结果的覆盖率和准确率的问题。第二,如何考虑用户兴趣随时间推移而变化的问题,使推荐结果更符合用户不断变化的实际需求。本文针对这两个问题对电子商务协同过滤推荐算法展开研究,主要贡献如下： 在传统基于用户相似度的协同过滤推荐算法的基础上,引入信任计算的研究内容,包括信任列表挖掘、信任传递、信任组合等。提出了三种算法利用信任信息的推荐算法模型：1)基于信任挖掘的推荐算法；2)基于用户相似度与信任挖掘的混合推荐算法；3)基于用户相似度和信任传递的混合推荐算法。实验结果表明,在基于用户相似度的协同过滤推荐算法加入信任计算后,本文提出的基于信任的混合推荐算法的全局推荐覆盖率有显著提高,全局推荐准确率有所提高,而解决新用户问题的能力有显著提高。 在传统基于商品相似度的协同过滤推荐算法的基础上,本文提出了一个种基于兴趣计算的电子商务推荐算法。该算法假设用户在电子商务平台上的行为是由用户的兴趣或需求所驱动的,并且考虑兴趣是随时间变化而变化的。通过定义兴趣度函数来模拟由时间变化而导致的用户兴趣相关性衰减现象。实验结果表明,在基于商品相似度的协同过滤推荐算法加入兴趣计算后,全局推荐准确率和覆盖率有所提高。