面向电子商务的协同过滤推荐系统研究与设计.doc

面向电子商务的协同过滤推荐系统研究与设计和博涛李震雄(云南大学软件学院软件工程系云南昆明650091)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文中图分类号:TP393献标识码:A文章编号:1007-9416(2011)03-0028-031、引言2、协同过滤推荐系统的基本架构随着电子商务的蓬勃发展,(mend)是基于一的同时,也面临着从传统购物方式向网络虚拟购物方式转变的[1]挑战。面对众多Web商家和海量的商品,用户很难从中发现自组喜好相同的用户进行推荐。它是基于这样的一种假设:为一用户己感兴趣的商品。个性化推荐系统正是在这样一个背景下产生找到他真正感兴趣的内容的最好方法是首先找到与此用户有相似的,它在电子商务中扮演着导购员的角色。个性化推荐系统的作[2]这与现实喜好的其他用户,然后将他们所喜好的内容推荐给用户。用可以概括为:(1)将电子商务网站的浏览者转变为购买者;(2)生活中的“口碑传播(word-of-mouth)”颇为类似。协同过滤推荐提高电子商务网站的交叉销售能力;(3)提高客户对电子商务网系统的实现通过将用户的个人喜好与特定的参站的忠诚度。正因如此,几乎所有大型的电子商务网站,如:Ama考特征进行比较,并试图预测用户对一些未评分项目的喜好程度。zon、Flix和淘宝网等,都不约而同的推出了自己的推这里的个人喜好与特定参考特征来源于对用户行为的处理和分析。荐系统,并从中获益。在电子商务环境中,用户行为可以是购买某一商品或者是浏览某一协同过滤推荐是迄今为止最成功的个性化推荐技术,被应用到商品页面。例如,当你在网上买衣服时,基于协同过滤的推荐会根据很多领域中,协同过滤最突出的优点是其决策基础是“人”而不是[3]你的购买记录或是浏览记录,分析出你的穿衣喜好,并找到与你喜“内容”。关于协同过滤技术的第一个研究报告在1994年出版,从那以后,对协同过滤的研究和商业运用开始出现。但协同过滤推荐技好(或品味)相似的一些用户,将他们购买或浏览的衣服推荐给你。术还有很多问题需要克服,目前也出现了一些新的发展趋势,本文基于上面的描述和分析,可将协同过滤推荐系统的原型设计如主要针对面向电子商务网站的协同过滤推荐系统的研究和设计展下,见图1。协同过滤推荐系统分为三层,分别为表现层、业务层和数开讨论。据层。业务层主要包括用户的行为记录模块、业务逻辑处理模块和推荐引擎。其中用户行为记录模块主要负责用户行为的模式发现和分析。[3]mend包括页面访问分析和事务识别等。er,我们称之为推荐引擎,它由推荐算法和推荐界面组成,mender扮演着虚拟导购员的角色。而数据层需要存储用户行为、用户的评分和交易业务数据等。,找到最相似的邻居,并根据与之最相似邻居的兴趣或偏好预测出该用户[9]。的兴趣或偏好,以帮助其进行决策。图2显示了协同过滤工作原理图1协同过滤推荐系统原型在协同过滤中,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:(RR)(RR)uUu,iiu,jjsim(i,j)22(RR)(RR)uUu,iiuUu,jj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。rrrrijsim(i,j)cos(i,j)r图5ClassDiagramrij22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。(RR)(RR)uUu,iuu,jusim(i,j)22(RR)(RR)u,juuUu,iuuU公式3:AdjustedCosineSimilarityR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iu,iR的评分,是用户u对项目j的评分,是项