基于條件相對平均熵的個性化推薦算法研究與應用.pdf

1、隨著互聯網的普及，以及電子商務的迅猛發(fā)展，網絡交易日漸流行，越來越多的商品從現實交易轉向虛擬交易，導致信息資源的數據種類和數據量迅速增長，推動了電子商務個性化推薦的研究與發(fā)展。目前，電子商務推薦的核心思想是基于各種相關關系，如用戶關系、商品關系、用戶與商品的關系。然而，當用戶消費行為數據沒有或很少，或用戶共同的選擇較少，或某商品不在歷史行為數據中，相關關系將缺乏或不足，導致無法通過相似性進行預測，出現數據稀疏性問題或者冷啟動問題，降低推

2、薦準確性，難以恰當地向用戶提供推薦服務。另外，用戶的消費偏好和消費性格特點，對其消費行為有重要的影響，當商品的效用與用戶的消費性格相符，用戶才可能有消費行為，這為電子商務的個性化推薦提供了一個新的研究視角。
　　因此，如何在減少或消除上述問題的同時，從海量的消費行為數據中挖掘出用戶感興趣或需要的商品，并精準的推薦給目標用戶，已成為個性化推薦相關研究的熱點。
　　本文主要工作包括：（1）詳細分析了個性化推薦算法和復雜網絡社團結

3、構發(fā)現算法及其特點。（2）考慮到當前個性化推薦系統(tǒng)對準確性的需求，選擇具代表性的CNM個性化推薦算法，通過引入點權、邊權、JSD距離計算項目相似度公式進行CNM算法優(yōu)化和驗證。（3）基于對用戶消費性格的分析，引入條件互信息和條件相對平均熵來獲取K2算法中初始節(jié)點輸入次序，然后利用CH評分函數和后驗概率函數對貝葉斯網絡進行學習，分析出用戶消費性格。（4）使用學習好的貝葉斯網絡進行推理，判斷用戶待推薦域的商品與用戶消費性格的聯系，得到最終的