文档介绍：2
电子商务系统中协同过滤推荐算法研究
[摘 要] 针对电子商务进展的需求，本文通过对协同过滤推举算法的文献综述，提出传统过滤算法无法适用于用户多爱好下的推举问题进行了剖析，提出了一种基于用户多爱好的协同过滤推举改进算法，分析了基于必需周期性的对模型进行更新。而模型的训练代价高，因此该算法不适合数据更新频率快的系统。
（1)协同过滤和基于内容的结合算法。两种算法的结合可以利用基于内容算法的优点，对项目进行相像度匹配，尤其当项目尚未得到用户评价的状况下也能推举给用户，避开新项目问题;另一方面利用协同过滤的特点，当用户数和评价许多时，协同过滤推举更精确 。
(2)协同过滤和基于关联规章的结合算法。关联规章技术用于协同过滤系统是利用Apriori算法通过挖掘用户的评价记录的关联来进行推举。该算法往往首先对客户的购买行为进行关联规章挖掘，并进行单一客户的偏好建模；然后，应用协同过滤技术查找与此客户爱好相像的客户集，并从客户集中找出和目标最相像的客户;最终依据匹配集合求解推举看法。规章模型的形成可以离线进行，协同过滤推举算法与基于规章算法的结合可以保证有效推举系统的实时性要求。
四、协同过滤推举算法的改进
传统的协同过滤推举算法是用邻居用户对某一项目的偏好信息来推断用户对该项目的偏好，邻居用户是和当前用户具有相像爱好爱好的用户。但在传统的协同过滤推举算法中，邻居用户和当前用户的共同爱好爱好并不肯定是要猜测的项目方面的爱好爱好，而可能是另一方面的爱好爱好。假如还是用这些邻居用户来猜测，其误差可想而知。
5
基于此，我对传统协同过滤算法将作如下改进:（1）对用户爱好进行分类，由于在系统中用户的爱好是通过对项目的选择来进行了解的，所以把对用户爱好的分类转化为对项目的分类，引入用户爱好度的概念，来探讨用户在不同类别项目中所表现出来的爱好差异，进而实现对用户多爱好的了解。（2)对于同一用户，如猜测项目所属类别不同，用来猜测的邻居用户也不同，也就是邻居用户与待猜测的项目在内容上具有肯定相像性，从而保证用来猜测的邻居用户与当前用户在待猜测项目上具有相像的爱好爱好。(3)用户具有多爱好性，但用户对每类项目的爱好也是不尽相同的，在推举集中考虑以用户对不同类别项目的爱好度作为权重，来安排每类项目的推举数目。
首先将项目采纳某种技术根据某种标准划分为不同类别，然后把对此类项目有评价的用户的评价信息映射到此类，统计参数，计算用户在每类项目的爱好度，当超过阈值时，认为该用户对该类项目有爱好偏好，并由这些用户形成聚类，从聚类中搜寻针对此类项目的邻居用户，产生推举。
（1)根据分类规章对项目进行分类。把整个项目空间划分成若干类别，每个项目可能属于多个类别，每个类别包含至少一个项目。目前对项目进行分类有众多方法。
7
（2)映射评价信息，统计参数，计算用户爱好度，建立用户爱好度矩阵，构造用户爱好偏好特征。假设提出了用户爱好度Ai，j，即用户i对项目类别j的爱好度，来衡量用户对某一类别项目的爱好偏好。
其中Mi，j表示用户i所评价的项目类别j中的项目数目；Nk表示项目类别k中包含的项目数目。
（3)依据用户爱好度矩阵和项目类别体系，进行用户聚类，形成用户爱好模型。
（1)由于对同一用户，需要分别在不同的项目类别中分别计算其邻居用户。
（2)该算法对数据的稠密性要求比传统的协同过滤推举算法要高。
（3)用户的爱好可能会随着时间而变化，有的项目类别可能会随着时间的推移使用户对他失去爱好，所以推举系统必需亲密留意用户的爱好是否转变，最好的方法就是持续跟踪。
（4)推举算法同样具有新异性，但不像传统算法那样更具有新异性，同另一角度也说明该推举算法更具精确 。由于新异性在肯定程度上是和精确 性相对的，不行能新异性和精确 性同时很高，精确 性高的算法必定会新异性低，反之亦然。
五、基于用户多爱好的协同过滤推举算法的电子商务推举系统分析
协同过滤技术基本思想是基于评分相像的最近邻居的评分数据向目标用户产生推举，推举算法处理的基础数据是不同用户对项目的评价。评价可以是布尔型的也可以是实数，数值的大小代表喜爱的程度，也称为评分。协同过滤有利于推断符合用户爱好的商品。例如在用户评价表中共有M个用户对N个商品进行了评分，要在M个商品项中找出符合用户爱好的S个项向用户推举。基于此，我们做如下推举系统的分析：
7
电子商务网站有两个方面需要共性化推举系统，即