基于圖的商品推薦算法研究.pdf

1、隨著信息技術和互聯(lián)網(wǎng)的迅速發(fā)展，選擇網(wǎng)絡購物的人群越來越龐大，電商平臺的商品信息也越來越繁雜，這種爆炸式的商品增長使用戶陷入了信息迷航，很難快速準確的檢索出自己想要的商品。為解決這一問題，個性化推薦算法發(fā)揮了重要作用。眾多推薦算法中，基于圖的推薦算法脫穎而出，越來越多的學者開始投入研究，但仍存在一些問題。本文改進兩種基于圖的推薦算法，分別解決推薦過程中“興趣漂移”、“長尾效應”以及構建圖的過程中圖節(jié)點對象考慮不周全導致推薦性能下降的問題

2、。
　　為了解決興趣漂移問題，我們將用戶、商品以及能反應商品屬性的關鍵字構成三部圖，融合遺忘機制，將遺忘機制作為三部圖邊權值計算的依據(jù)；為了解決推薦過程中經(jīng)常出現(xiàn)的長尾效應問題，我們將物質擴散理論與由遺忘機制加權的三部圖融合。分析當下對推薦算法的主流要求，將推薦的多樣性和推薦列表排序的準確性作為算法性能的評價指標，對Movielens-10M數(shù)據(jù)集進行整理，驗證了算法的合理性和有效性。
　　為了解決傳統(tǒng)圖推薦方法構圖過程中簡

3、化平臺中實體對象，弱化平臺中的實體關系，導致推薦準確性低的問題，我們將電商平臺中存在的多種對象構成混合圖，構建過程不考慮對象的異構性；節(jié)點的轉移過程將系統(tǒng)日志、用戶行為和商戶付費等信息結合，既考慮了用戶歷史行為又將用戶當下訴求以及商戶、平臺的利益考慮在內。提升用戶體驗，增加商戶滿意度的同時提升了平臺的收益。將算法應用在地方性電商網(wǎng)站并爬取數(shù)據(jù)進行實驗驗證，證明了算法的準確率、查全率以及它們調和值的優(yōu)越性。
　　本文改進的兩種算法均