基于用戶瀏覽路徑的協(xié)同過濾推薦技術研究.pdf

1、近年來隨著電子商務的迅猛發(fā)展，電子商務使傳統(tǒng)的商品交易產生了革命性的變化。電子商務阿站按客戶群劃分產品，圍繞客戶進行服務，為客戶提供所需的東西，所以為每個顧客提供個性化的服務成為必要，也使個性化推薦系統(tǒng)成為目前研究的熱門技術。個性化推薦系統(tǒng)是～種基于用戶瀏覽路徑挖掘技術的推薦系統(tǒng)，其目的是方便用戶對網(wǎng)站的訪問，它可以預測未來用戶的數(shù)量和愛好，并為電子商務企業(yè)提供決策依據(jù)。如何有效的將用戶瀏覽路徑挖掘技術與推薦技術結合是個性化推薦系統(tǒng)中的

2、重要問題，本文圍繞這個問題做了如下工作：
　　 本文首先選擇協(xié)同過濾推薦技術作為研究對象，介紹了協(xié)同過濾技術目前的研究現(xiàn)狀、存在的問題以及其基本原理。接著介紹了個性化推薦系統(tǒng)中用戶瀏覽偏愛路徑的挖掘過程，并給出了適合本文的用戶瀏覽偏愛路徑挖掘算法。然后介紹了基于用戶瀏覽偏愛路徑的協(xié)同過濾推薦方法，這是本文的創(chuàng)新點。隱馬爾科夫模型為協(xié)同過濾推薦的實現(xiàn)提供了一種有效的方法，它基于用戶瀏覽路徑，模擬用戶瀏覽網(wǎng)站時的行為，建立了用戶瀏覽

3、行為最近鄰集合。使用隱馬爾科夫模型(Hidden Markov Models,簡稱為HMM)代替簡單的相似模型來度量用戶相似性，大大的提高了最近鄰推薦的準確性，解決了實時性推薦和數(shù)據(jù)空間的可擴晨的問題。并結合喜好度給出了基于HMM的協(xié)同過濾預測模型。最后，為了更好的滿足用戶需求，提高推薦的準確度．對隱馬爾科夫模型的結構進行了更新，進而有救的處理多種用戶數(shù)據(jù)。通過對動態(tài)貝葉斯網(wǎng)絡(Dynamic Bayesian network，簡稱為D

4、BN)的介紹及與隱馬爾科夫模型的對比，我們將貝葉斯阿絡作為網(wǎng)絡更新的首選模型。貝葉斯阿絡由于其建模的靈活性，在很多融合算法中都有應用。通過實現(xiàn)網(wǎng)絡結構的更新學習，即在以前基于HMM推薦模型的基礎上，加入新的特征．構造了基于DBN推薦模型來修正推薦模型，把以前所有的訓練集與新樣本組合進彳亍學習和訓練，這樣既可以節(jié)省時間，又優(yōu)化了阿絡結構．使得推薦模型更加滿足客戶的需求。
　　 本文重點研究了用戶瀏覽路徑與協(xié)同過濾推薦技術的結合。將