世纪末,电子商务网站Amazon已经将个性化推荐系统应用于商业用途。这些推荐系统主要工作就是基于用户过去对商品的评价为他们推荐新的商品。基于内容的系统都是在前人研究信息检索的基础上完成。所以他们集中包含了文本信息如文件和网站推荐项目(URL)。同时,改进了传统的信息检索方法,利用了包括用户口味和偏好的行为特征信息。这些特征信息可以使用隐式(从用户行为学习)或显性的(通过问卷调查)的方法获得。这些特征信息通常储存在数据库中。每一条特征信息是由一组表示属性或特征的变量。这些特征信息记录包含了每个特征属性的值。随着越来越多的网站,特别是零售商,提供基于Web使用挖掘的自动推荐服务, 评价的推荐算法变得越来越重要。Andreas Geyer-Schulz, Michael Hahsler 等学者提出了基于关联技术的推荐系统。他们专注于基于频繁项集的两个推荐算法的性能比较。从市场营销的角度分析,提出的推荐算法采用关联规则,以及其他推荐算法。以达到评估其集中模式以及如何提取使用的数据所匹配的用户的要求[15]。 1.3 国内研究状况国内对于推荐系统的研究虽然起步较晚,但是近些年来也取得了丰硕的成果。目前,国内对于推荐系统的研究主要是以理论和技术支持作为出发点的。经过研究分析发现目前推荐算法中存在稀疏性,因此为了解决这个问题邓爱林提出了协同过滤法贯穿于推荐算法中,根据用户历史记录中相似的操作,预算客户对该项目的最终评分,通过一系列的测试和实验发现,此算法能够显著地提高推荐系统的推荐质量[16]。为了使用户的最近邻居集合更加精确有效,严冬梅等研究者提出了基于用户兴趣度和用户特征的优化协同过滤推荐算法。先通过计算用户对项目的兴趣度来对用户进行分组;后采用贝叶斯算法分析出用户具有不同特征时对项目的喜好程度;利用另外一种更新后的算法进行推算。最后结果对比以前的数据更加精准[17]。万方数据
全文预览
