论文部分内容阅读
随着互联网进入Web2.0时代,O2O电子商务快速兴起并渗入到人们生活服务的方方面面,在为用户带来方便的同时,也为商家创造了利润,餐饮领域就是其中重要的一部分。然而,网络用户数量的持续增加,导致O2O网站产生了严重的信息过载问题。推荐系统作为一种解决该问题的有效手段得以广泛应用。本文对O2O餐厅领域的个性化推荐进行了研究,主要工作内容如下:1.针对传统的餐厅推荐系统中存在用户—餐厅评分数据稀疏性问题,本文提出了一种基于条件概率填充的协同过滤推荐算法pf_UCF。该算法首先从用户评价过的餐厅中选取与待评价餐厅的平均评分相同的所有餐厅,并计算用户对这些餐厅评1~5分的统计概率;然后,选取最大概率值对应的评分作为用户对待评价餐厅的预测评分,并填充到用户—餐厅评分矩阵中;最后在填充完成的评分矩阵上应用协同过滤算法进行餐厅推荐。实验证明,pf_UCF算法可以降低评分数据的稀疏性,提高餐厅推荐精度。2.针对传统的协同过滤餐厅推荐算法中未考虑用户就餐选择受上下文因素影响的问题,本文提出了一种基于用户位置偏好的餐厅推荐算法ULPRR。该算法首先根据用户的历史评价数据,为每个用户构建位置特征向量模型,并利用该模型计算用户位置偏好相似度;然后将用户的位置偏好相似度、兴趣相似度以及对用户评分向量部分填充后计算的评分相似度相结合;最后,将结合后的用户相似度应用到协同过滤算法中进行餐厅推荐。实验证明,ULPRR算法可以有效提高餐厅推荐效果。3.针对传统的协同过滤餐厅推荐算法中未考虑用户就餐选择受到其潜在信任朋友影响的问题,本文提出了一种基于用户信任关系的餐厅推荐算法UTRR。该算法首先为每个用户构建全局信任度,对具有显式信任关系的用户之间划分信任程度,对不存在显式信任关系的用户,挖掘其隐式信任关系;然后,基于改进后的信任矩阵,采用社会化推荐算法预测用户对餐厅的评分;最后,将该评分与矩阵分解模型预测的评分相结合,产生最终的预测推荐结果。实验证明,相比于传统的基于信任的推荐算法,UTRR算法具有明显的优越性,提高了餐厅推荐质量。