1、隨著互聯(lián)網(wǎng)的普及和電子商務的發(fā)展，推薦系統(tǒng)逐漸成為電子商務IT技術的一個重要研究內(nèi)容，越來越多地得到研究者的關注。目前，幾乎所有大型的電子商務系統(tǒng)，如Amazon，CDNOW，eBay，當當網(wǎng)上書店等，都不同程度地使用了各種形式的推薦系統(tǒng)。 本文研究的對象是電子商務推薦系統(tǒng)中的協(xié)同過濾推薦方法。最近鄰協(xié)同過濾推薦是當前最成功的推薦技術，其基本思想就是基于評分相似的最近鄰居的評分數(shù)據(jù)向目標用戶產(chǎn)生推薦。由于最近鄰居對項目(電子商務

2、中的商品、電影、音樂等)的評分與目標用戶非常相似，因此目標用戶對未評分項目的評分可以通過最近鄰居對該項目評分的加權平均值逼近。 隨著電子商務系統(tǒng)規(guī)模的進一步擴大，用戶數(shù)目和項目數(shù)據(jù)急劇增加，導致用戶評分數(shù)據(jù)的極端稀疏性，在用戶評分數(shù)據(jù)極端稀疏的情況下，傳統(tǒng)相似性度量方法均存在各自的弊端，使得計算得到的目標用戶的最近鄰居不準確，推薦系統(tǒng)的推薦質量急劇下降。針對用戶評分數(shù)據(jù)的極端稀疏性，本文提出了一種改進的User-based協(xié)同過

3、濾推薦算法，通過計算項目之間的相似性，初步預測用戶對未評分項目的評分，然后采用一種合適的相似性度量方法計算用戶的最近鄰居。本文的研究內(nèi)容主要包括： 1.對不同的電子商務推薦方法及其在電子商務推薦系統(tǒng)中的應用進行研究和分析。 2.詳細研究和分析了傳統(tǒng)的協(xié)同過濾算法在應用中所面臨的問題和挑戰(zhàn)，例如：推薦質量、可擴展性、數(shù)據(jù)稀疏性、冷開始問題等等，并介紹了現(xiàn)有的解決方法。 3.結合傳統(tǒng)的協(xié)同過濾算法的思想，本文提出了一