论文部分内容阅读
随着市场经济结构的调整,电子商务相关政策的完善以及物流、信用、电子支付等支撑体系的不断优化,消费者对电子商务的需求将会更加强烈,运用电子商务的意识会越来越强。未来电子商务将会遍及生产、流通、消费等社会生活的各个领域。电子商务服务业群正在逐步形成,这将会成为未来国民经济新的增长点。统计数据表明自2005年以来,我国电子商务市场交易额稳定增长,未来3年,我国电子商务投资市场将迎来发展的新高潮。在这种环境下,大多电子商务网站都使用了推荐系统来推广业务。推荐系统逐渐成为电子商务中的重要研究内容。伴随着电子商务规模的扩大,推荐系统面临着一系列的挑战。信息数量的急速增长影响了推荐系统推荐的效率。协同过滤是推荐系统中应用最为广泛的个性化推荐技术,但是其自身存在稀疏性、冷启动以及可扩展性等问题,影响了推荐系统的质量。本文对电子商务推荐系统中使用的推荐技术进行了探索和研究,提出了基于免疫机理的推荐算法,主要是借鉴了自然免疫系统的免疫学习、克隆选择和自适应等特性。首先把免疫网络中的初始抗体通过聚类划分为不同的簇,然后基于自适应的aiNet算法对聚类中心进行克隆、变异等,从而获得优秀的邻居用户集。抗体的克隆分化机制能够降低数据的稀疏性,网络抑制能提高扩展性,避免算法陷入局部最优点。与协同过滤算法相比,该算法对用户兴趣的预测更加客观、准确,能够提高系统推荐的质量。最后通过实验验证了该算法在电子商务使用中的可行性和有效性。本文所做的工作以及创新点主要包括以下几个方面:(1)基于人工免疫与自适应aiNet的协同过滤算法本文借鉴抗原和抗体,抗体与抗体之间相互作用以及抗体的克隆变异等原理,将自适应aiNet思想引入协同过滤算法中的邻居用户集的选择中,提高了最近邻居集合选取的准确性。(2)基于聚类免疫的最相似邻居推荐算法将聚类技术K-means算法引入到推荐算法中,对网络中注册的用户基于兴趣进行分类。再结合人工免疫的思想,利用聚类免疫方法确定最相似的邻居用户。(3)基于免疫思想的用户评分计算将免疫的思想加入到目标用户兴趣度的预测中,通过邻居用户的浓度影响目标用户预测商品的评分。