文档介绍：电子商务系统中协同过滤推荐算法研究
　　[摘要]针对电子商务开展的需求，本文通过对协同过滤推荐算法的文献综述，提出传统过滤算法无法适用于用户多兴趣下的推荐问题进展了剖析，提出了一种基于用户多兴趣的协同过滤推荐改良算法，分析了基于用户多兴趣。两种算法的结合可以利用基于内容算法的优点，对工程进展相似度匹配，尤其当工程尚未得到用户评价的情况下也能推荐给用户,防止新工程问题;另一方面利用协同过滤的特点,当用户数和评价很多时,协同过滤推荐更准确。
　　(2)协同过滤和基于关联规那么的结合算法。关联规那么技术用于协同过滤系统是利用apriri算法通过挖掘用户的评价记录的关联来进展推荐。该算法往往首先对客户的购置行为进展关联规那么挖掘，并进展单一客户的偏好建模；然后，应用协同过滤技术寻找与此客户兴趣相似的客户集，并从客户集中找出和目的最相似的客户;最后根据匹配集合求解推荐意见。规那么模型的形成可以离线进展，协同过滤推荐算法与基于规那么算法的结合可以保证有效推荐系统的实时性要求。
　　四、协同过滤推荐算法的改良
　　传统的协同过滤推荐算法是用邻居用户对某一工程的偏好信息来判断用户对该工程的偏好，邻居用户是和当前用户具有相似兴趣爱好的用户。但在传统的协同过滤推荐算法中，邻居用户和当前用户的共同兴趣爱好并不一定是要预测的工程方面的兴趣爱好，而可能是另一方面的兴趣爱好。假如还是用这些邻居用户来预测，其误差可想而知。
　　
　　基于此，我对传统协同过滤算法将作如下改良:〔1〕对用户兴趣进展分类，因为在系统中用户的兴趣是通过对工程的选择来进展理解的，所以把对用户兴趣的分类转化为对工程的分类，引入用户兴趣度的概念，来讨论用户在不同类别工程中所表现出来的兴趣差异，进而实现对用户多兴趣的理解。〔2)对于同一用户，如预测工程所属类别不同，用来预测的邻居用户也不同，也就是邻居用户与待预测的工程在内容上具有一定相似性，从而保证用来预测的邻居用户与当前用户在待预测工程上具有相似的兴趣爱好。(3)用户具有多兴趣性，但用户对每类工程的兴趣也是不尽一样的,在推荐集中考虑以用户对不同类别工程的兴趣度作为权重，来分配每类工程的推荐数目。
　　首先将工程采用某种技术按照某种标准划分为不同类别，然后把对此类工程有评价的用户的评价信息映射到此类，统计参数，计算用户在每类工程的兴趣度，当超过阈值时，认为该用户对该类工程有兴趣偏好，并由这些用户形成聚类，从聚类中搜寻针对此类工程的邻居用户，产生推荐。
　　〔1)按照分类规那么对工程进展分类。把整个工程空间划分成假设干类别，每个工程可能属于多个类别,每个类别包含至少一个工程。目前对工程进展分类有众多方法。
　　〔2)映射评价信息，统计参数，计算用户兴趣度，建立用户兴趣度矩阵,构造用户兴趣偏好特征。假设提出了用户兴趣度ai,j，即用户i对工程类别j的兴趣度，来衡量用户对某一类别工程的兴趣偏好。
　　其中i,j表示用户i所评价的工程类别j中的工程数目；nk表示工程类别k中包含的工程数目。
　　〔3)根据用户兴趣度矩阵和工程类别体系，进展用户聚类，形成用户兴趣模型。
　　
　　〔1)由于对同一用户，需要分别在不同的工程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