基于家居装饰系统的方案推荐算法研究与应用

发布时间：2019-09-05 09:50

【摘要】：随着家居电商的进一步发展,用户对个性化推荐的需求与日俱增,各种各样的推荐算法开始应用其中。传统的聚类推荐算法,每个参与的用户或物品只能属于一种类别,因此很难描述每个参与聚类的对象多个方面的特性。基于内存的协同过滤推荐算法和聚类改进的协同过滤推荐算法预测准确度不高,且难以解决数据稀疏带来的影响。针对这些不足之处,本文提出了一种混合推荐算法LPHRA。该算法提高了预测准确度,解决了数据稀疏性带来的应用局限性。本文的主要研究成果如下:1.针对LSPM在物品类别推荐方面存在的不足,提出影响因子,对其中的关键算法EM算法进行参数的改进。实验证明影响因子提高了预测的准确度。EM算法允许用户以及物品属性可以属于多个隐类,适用性更强。LSPM对于新加入的用户也能够进行较为准确的推荐。2.LPHRA对某一类别物品的具体推荐通过PVH衡量。在物品的某一类别中,选取一些PVH属性良好的物品,加入推荐列表,这样可以根据用户的浏览习惯得到个性化的推荐。实验表明该混合推荐算法与传统的协同过滤推荐算法相比,预测的准确性更高,预测结果更接近用户偏好。3.基于混合推荐算法LPHRA,设计并实现一个家居装饰系统。经过系统实验测试,该家居装饰系统在使用LPHRA推荐算法进行方案推荐的时候,在用户体验和预测准确度上优于传统的协同过滤推荐算法和聚类改进的协同过滤推荐算法。
【图文】：

兴趣,散点图,协同过滤,推荐算法

第二章推荐系统的技术基础于用户的协同过滤推荐算法通过捕捉用户的历史行为数据，分析得，进而对这些喜好进行打分评价。通过比较不同的用户对于相同的的相似度，来估量不同用户之间的联系紧密度。举个例子，，用户甲品 A 和商品 B，这两个用户就具有一定的相似度，系统就有可能将其他商品再推荐给用户乙。基于用户的协同过滤推荐算法主要可以面来实现：

散点图,协同过滤,散点图,物品

图 2-2 基于用户的协同过滤散点图法散点图是直观的，但是评价的标准过于简单，无法深层次的描述用户之间的度。对用户之间的相似度无法量化。2）欧几里德距离评价欧几里德距离评价是在散点图的基础上，通过用户之间在散点图上的距离量户之间的相似程度[27]。由于用户在散点图上的距离与用户的相似度是反相关因此在距离的基础上又取了倒数来形象地表示用户之间的相似性。对于之前个用户对两件商品的评价，为这五个用户之间的相互距离取欧几里德距离系如表 2-2 所示。2．基于物品的协同过滤推荐算法基于物品的协同过滤计算不同用户对不同物品的评分获得物品之间的关系，物品间的关系给用户推荐相似的物品。基于物品的协同过滤推荐算法主要可以下几个方面来实现：
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.3

【相似文献】