【正文】 為了便于從數(shù)據(jù)庫或數(shù)據(jù)文件中處理用戶偏好，本結(jié)構(gòu)還使用了一個偏好鏈表。最后讀取的數(shù)據(jù)集 來 分析 各種算法的性能 。 (2)數(shù)據(jù)稀疏問題 ： 不論是第一代的基于用戶方法，還是第二代的基于 資源項 方法，都不可避免的遇到數(shù)據(jù)稀疏的問題 [8]。 有了最近鄰集合，就可以對目標用戶的興趣進行預(yù)測，生成推薦結(jié)果。 基于用戶的協(xié)同過濾算法和基于項目為基礎(chǔ)的協(xié)同過濾算法一個根本區(qū)別是，以用戶為基礎(chǔ)的協(xié)同過濾計算的是矩陣中行之間的相 似度，而基于用戶的則是計算矩陣中列之間的相似度，在兩項都評分的集合中每一對都是關(guān)聯(lián)到不同的用戶。 3. 數(shù)據(jù)變換與規(guī)約 數(shù)據(jù)變換要求做到三個方面：一是將連續(xù)的數(shù)據(jù)屬性離散化 成 若干個區(qū)間；二基于客戶資料挖掘的電子商務(wù)網(wǎng)站的設(shè)計與實現(xiàn) 第二章 協(xié)同過濾推薦系統(tǒng) 10 是新建變量，在很多情況下需要從原始數(shù)據(jù)中生成一些新的變量作為預(yù)測 變量；三是格式變換，規(guī)范化數(shù)據(jù)格式。這種方法不需要用戶直接輸入評價數(shù)據(jù)，而是根據(jù)用戶的行為特征由系統(tǒng)代替用戶完成評價。比如一個大型網(wǎng)上書店，可能出售的書籍數(shù)量也就在幾十萬上下，而用戶數(shù)量就可能達到幾百萬。詳細介紹了性能測試的環(huán)境，方法以及測試的標準，詳細介紹了試驗的過程 ，并對 試驗 結(jié)果進行了詳細的分析 。在提供實時推薦服務(wù)的同時，如何有效提高推薦系統(tǒng)的推薦質(zhì)量，需要做進一步深入的研究。 在組合方式上，有研究人員提出了七種組合思路 [11]： (1)加權(quán) (Weight)：加權(quán)多種推薦技術(shù)結(jié)果 ； (2)變換 (Switch)：根據(jù)問題背景和實際情況或要求決定變換采用不同的推薦技術(shù) ； (3)混合 (Mixed)：同時采用多種推薦技術(shù)給出多種推薦結(jié)果為用戶提供參考 ； (4)特征組合 (Feature bination)：組合來自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用 ； (5)層疊 (Cascade)：先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結(jié)果，第二種推薦技術(shù)在此推薦結(jié)果的基礎(chǔ)上進一步作出更精確的推薦 ； (6)特征擴充 (Feature augmentation)：一種 技術(shù)產(chǎn)生附加的特征信息嵌入到另一種推薦技術(shù)的特征輸入中 ； (7)元級別 (Metalevel)：用一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸入?；趦?nèi)容的用戶資料是需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化。 Webert， Personal Web Watcher， Fab 等；部分大型 網(wǎng)站也推出了個性化服務(wù)，如 Yahoo!， CNN 等 [10]。 Web 數(shù)據(jù)挖掘能從 Web 服務(wù)器上大量的數(shù)據(jù)中提取初原來不知道的但有用的信息和規(guī)律。 11 協(xié)同過濾推薦的特性分析 盡我所知，除文中特別加以標注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機構(gòu)的學位或?qū)W歷而使用過的材料。圖表整潔，布局合理，文字注釋必須使用工程字書寫，不準用徒手畫 3）畢業(yè)論文須用 A4 單面打印，論文 50 頁以上的雙面打印 4）圖表應(yīng)繪制于無格子的頁面上 5）軟件工程類課題應(yīng)有程序清單，并提供電子文檔 1）設(shè)計（論文） 2）附件：按照任務(wù)書、開題報告、外文譯文、譯文原文（復(fù)印件）次序裝訂 指導(dǎo)教師評閱書 指導(dǎo)教師評價： 一、撰寫（設(shè)計）過程 學生在論文（設(shè)計）過程中的治學態(tài)度、工作精神 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生掌握專業(yè)知識、技能的扎實程度 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生綜合運用所學知識和專業(yè)技能分析和解決問題的能力 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 研究方法的科學性；技術(shù)線路的可行性；設(shè)計方案的合理性 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 完成畢業(yè)論文（設(shè)計）期間的出勤情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設(shè)計）質(zhì)量 論文（設(shè)計）的整體結(jié)構(gòu)是否符合撰寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設(shè)計）任務(wù)（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 三、論文（設(shè)計）水平 論文（設(shè)計）的理論意義或?qū)鉀Q實際問題的指導(dǎo)意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設(shè)計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設(shè)計說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 建議成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 （在所選等級前的□內(nèi)畫“√”） 指導(dǎo)教師： （簽名） 單位： （蓋章） 年 月 日 評閱教師評閱書 評閱教師評價： 一、論文（設(shè)計）質(zhì)量 論文（設(shè)計）的整體結(jié)構(gòu)是否符合撰 寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設(shè)計）任務(wù)（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設(shè)計）水平 論文（設(shè)計）的理論意義或?qū)鉀Q實際問題的指導(dǎo)意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設(shè)計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設(shè)計 說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 建議成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 （在所選等級前的□內(nèi)畫“√”） 評閱教師： （簽名） 單位： （蓋章） 年 月 日 教研室（或答辯小組）及教學系意見 教研室（或答辯小組）評價： 一、答辯過程 畢業(yè)論文（設(shè)計）的基本要點和見解的敘述情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 對答辯問題的反應(yīng)、理解、表達情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生答辯過程中的精神狀態(tài) □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設(shè)計）質(zhì)量 論文（設(shè)計）的整體結(jié)構(gòu)是否符合撰寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設(shè)計）任務(wù)（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 三、論文（設(shè)計）水平 論文（設(shè)計）的理論意義或?qū)鉀Q實際問題的指導(dǎo)意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設(shè)計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設(shè)計說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 評定成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及 格 教研室主任（或答辯小組組長）： （簽名） 年 月 日 教學系意見： 系主任： （簽名） 年 月 日 目 錄 摘 要 16 用戶模塊 21 SlopeOne 算法推薦 最后利用美國明尼蘇達大學的世界上最大的開放數(shù)據(jù)集 MovieLens 進行了協(xié)同過濾算法不同衍化版本的實驗分析 ， 試驗結(jié)果 表明 用戶聚類的算法要比基于用戶的算法在性能上要好得多，同時在質(zhì)量上也比基于用戶的算法要好。 20xx 年，美國 NSF基金開始支持有關(guān)個性化服務(wù)的研究。 2． 基于內(nèi)容的推薦 基于內(nèi)容的推薦 (Contentbased Remendation)是信息過濾技術(shù)的延續(xù)與發(fā)展，它是建立在項目的內(nèi)容信息上作出推薦的，而不需要依據(jù)用戶對項目的評價意見，更多地需要用機器學習的方法從關(guān)于內(nèi)容的特征描述的事例中得到用戶的興趣資料。研究和應(yīng)用最多的是內(nèi)容推薦和協(xié)同過濾推薦的組合。 電子商務(wù)推薦系統(tǒng)在研究和實踐中都非常成功 ， 但是 ， 隨著電子商務(wù)系統(tǒng)規(guī)模越來越大 ， 電子商務(wù)推薦系統(tǒng)也面臨著一系列挑戰(zhàn)。 第三章主要講述了協(xié)同過濾推薦系統(tǒng)的設(shè)計架構(gòu)和典型推薦算法的實現(xiàn)，包括基于項目的協(xié)同過濾算法和基于用戶的協(xié)同過濾算法以及 Slope One 算法等。 和基于用戶的推薦系統(tǒng)相比，基于 資源項 的推薦系統(tǒng)最大的改進是更具有擴展性?；诳蛻糍Y料挖掘的電子商務(wù)網(wǎng)站的設(shè)計與實現(xiàn) 第二章 協(xié)同過濾推薦系統(tǒng) 9 這導(dǎo)致這種系統(tǒng)通常更多出現(xiàn)在實驗室或者論文里面。因此，模式集成涉及實體識別，通常借助于數(shù)據(jù)庫或數(shù)據(jù)倉庫的原數(shù)據(jù)進行模式識別，幫助避免模式集成中的錯誤。 在這種情況下，兩個項目 i和 j 之間的相似性是通過計算 Pearson 的相關(guān)性 ,ijcorr來衡量的。這里基本思路是使用和加權(quán)和 技術(shù)相同的形式，但是取代了相似項目 N 的行評分值 ,unR ，這個模型使用基于線性回歸模型的近似值 ,`unR 。這個問題，也被稱之為協(xié)同過濾的“冷啟動”問題 [8]。由于個性化推薦系統(tǒng) 的實時性特性，需要非常注意個性化推薦的效率。 本數(shù)據(jù)結(jié)構(gòu)記錄了用戶的偏好，是用于計算相似度和其他算法的基礎(chǔ)。 基于客戶資料挖掘的電子商務(wù)網(wǎng)站的設(shè)計與實現(xiàn) 第三章 協(xié)同過濾推薦系統(tǒng)設(shè)計 17 圖 數(shù)據(jù)管理模塊以及和其他模塊的關(guān)系 由于個性化推薦系統(tǒng)需要處理大量的數(shù)據(jù)，所以需要進行數(shù)據(jù)庫和文件的讀取操作，本課題采用的是文件操作與 MySQL 數(shù)據(jù)庫操作。在基于資源的協(xié)同過濾算法中唯一的不