基于兴趣度的协同过滤商品推荐系统模型

　　在曰趋激烈的竞争环境下，为了有效保留用户、防止用户流失，提高电子商努系统的销售，电子商努中的商品推荐系统重要性已经显现出来。在电子商努系统中向客户提供商品信息和建议，帮助客户决定购买何种商品，模拟销售人员向客户推荐商品芫成购买的过程，使客户感受到芫全个性化的服努。因此本文结合智能数据挖掘与协同过滤推荐，提出了基于客户兴趣度的商品推荐系统模型。

　　2基于兴趣度的智能推荐框架2.1智能推荐智能推荐是将数据挖掘技术与协同过滤技术相结合的一种推荐方法，在结合了智能数据挖掘和协同过滤的基础上，提出了基于兴趣度的商品推荐行分析，并进行单一客户的偏好建模；然后，应用协同过滤技术寻找与此客户品味相似的客户簇，并从客户簇中找出和目标*相似的用户，*后根据匹配集合求解推荐意见。

　　通过客户兴趣度模式分析可以发现不同商品基金项目：陕西省自然科学基金项目（2002G07）1411基于兴趣度的商品推荐模型在销售过程中的相关性，根据相似客户的偏好和目标客户当前的购买行为对其兴趣度进行评价，从而对目标客户产生更为有效的推荐。

　　2.2兴趣度引入传统的数据挖掘应用关联规则可以分析客户购买习惯，但关联规则还有一些缺陷：（1）会产生大量的规则，而其中的大部分是显而易见或不相关的；0没有充分利用管理者的领域知识和职业直觉；（3）没有提供好的规则度量感兴趣程度的方法，从数据中发现令人感兴趣的挖掘目标。

　　Piatetsky-Shapiro首先把事件依赖性的统计定义扩展到规则兴趣度定义上来，提出了PS方法微电子学与计算机所反映信息的比例来表示。即Sfitf=|i/|/|D|.于是，我们定义规则《的兴趣度（我们用来表示兴趣度）为：式（3）中，为规则《的可信度|丑UB|/|B|，Sm为原始记录中支持该规则推出的信息，即规则右部丑的比例。很显然，与之间并不存在任何数量关系，即算出来的兴趣度/fl可能大于0也可能小于0.我们引入分母max丨Cfl，SM事实上只是一个标准化因子，使得兴趣度的值介于-1和1之间。

　　由式⑶可知，一条规则的兴趣度越大于0，说明我们对这条规则越感兴趣；一条规则的兴趣度越小于0，说明我们对这条规则的反面规则越感兴趣。同时，兴趣度的阈值定得越高，采掘出的规则越少，相反兴趣度阈值定得越低，采掘出的规则越多。

　　2.2.2协同过滤协同过滤，即相关客户的的兴趣度，它是基于这样的假设：为一客户找到他真正感兴趣内容的方法是首先找到与此客户有相似兴趣的其它客户，然后将他们感兴趣的内容推荐给此客户。其基本的出发点是：（2）客户对不同信息的评价包含了客户的兴趣信息；（3）客户对一个未知信息的评价将和其相似（兴趣）客户的评价相似。

　　这三条构成了协同过滤系统的基础。

　　⑴能够过滤难以进行机器自动分析的信息，像艺术品、音乐等；（2）共享其他人的经验，避免了分析的不芫全和不精确，并且能够对一些复杂、难以表述的概念（如信息质量、品味等）进行过滤；（3）能够有效地使用其它相似客户的反馈信息，减少客户的反馈量，加快个性化学习的速度；相关客户的兴趣汲取可以通过如下客户一项矩阵《表示，项表示商品。

　　他把关联规则的兴趣度定义为：元组的总数、同时满足4和B的元组数、满足4的元组数、满足B的元组数。同时，他们还提出了定义度量规则兴趣度（《/）的三个原则：如果仉，那幺《/=0；加；少。

　　在中，作者也给出了一个感兴趣的规则的定义，并引入了模板的概念。如果一个规则匹配一个包含的模板（Inclusivetemplate），则被认为是令人感兴趣的；如果一个规则匹配一个限制的模板（Restrictivetemplate），则被认为是缺乏兴趣的。

　　2.2.1相关商品的兴趣度对于形式化地描述关联规则，设/=！，4，…，fM！

　　为项集，表示各种商品的集合，Z）=2，…，W为交易集，表示每笔交易的集合，其中e中关联规则的形式如式（2丨所示，其蕴含式为：设每个规则蕴含式左部丨Pl，P2，…，丨定义的项集为B，右部心，仍，…定义的项集为它们都是原始项集/的子集。令表不同时支持i/和B的项集。定义规则的可信度C=|G|/|B|，支持度5=|（；|/|5|.那幺就可以把寻找有趣模式的算法可以归纳为：C=丨*一般的模式J；whileCt0do E二所有适当选择的C元素特例；如果q满足有趣度标准，那幺输出q；如果q不可倍，那幺抛弃q，否则保留q；对E的额外修剪；关联规则给出信息的正确度是由它的可信度C=|i/UB|决定的；而所有原始记录支持该规则反映信息的比例可用原始记录中支持该规则右部H的示所：J成写：可般阵微电子学与计算机个mxn的客户一项评价矩阵《，m表明客户数，n表明了项数，n，是第f个客户对第J项的评价值，评价值与项的内容有关，如果项是电子商努中的商品，则表示客户购买产品与否，例如1表示订购，0表示没有订购；或表示客户对它的兴趣度有多高，可通过不同的值来表示，并将兴趣度标准化为-1到1之间的数值。

　　2.3兴趣度衡量如果给定一个规则通常模式0和中所引用变量的背景知识对规则有趣度有很大影响。通过建立一个2x2的表格，如表1所示，将0和的出现与否作为变量，然后统计四种不同组合的频率。

　　表1兴趣度衡量参数评价有趣度的一种特别有价值的尺度是式（4）中是试验观察到的规则可信度，p（0）和；>（的分别是试验观察到的0和的边际概率J-尺度不但能有效地评价背景知识对兴趣度的影响，而且具有相对特化的优点。

　　3推荐引擎的设计与实现3.1推荐系统的表现形式智能推荐的*终目标就是吸引客户的眼球，增加电子商努的成交量。主要可以分为五个层次的推荐：①把网站的浏览者转变为客户；②帮助客户决定是否购买自己*初感到犹豫不决的商品；③向购买者进一步推荐其感兴趣的其它商品；④吸取客户的意见，增强客户对网站的信赖；⑤对客户的购买模式进一步分析，不断丰富评价库的体系结构。

　　按智能推荐的目标，我们把商品推荐系统*终的表现形式主要分为以下几种：（1）直接推荐：根据客户提出对特定商品的查询要求，推荐系统返回高质量的推荐；根据购买者已订购商品进一步推荐；根据客户访问记录，系统主动向客户推荐认为其感兴趣的商品。

　　式通知客户可能感兴趣的商品信息，使网结与客户保持联系，提高客户对网结的信任度，从而使客户增加对该网站的访问量。

　　（3）提供评论：推荐系统向客户提供其他客户对相应商品的评论信息，客户根据他人对商品好坏的评价，来做出自己的判断。

　　3.2基于智能挖掘的推荐3.2.1推荐引擎的算法描述（1）客户偏好引擎分析客户当前会话，在识别客户的当前会话后，得到客户的当前访问集合，客户偏好引擎将通过关联规则发现客户的兴趣；（2）客户偏好引擎通过兴趣预测进程池将客户兴趣送到协同推荐引擎；（3）通过智能挖掘算法形成客户簇兴趣度矩阵，并对形成的规则进行剪技；（4）应用协同过滤为需要推荐服努的当前目标客户寻找与其*相似的“*近邻居”集；（5）通过评价/推荐进程池对客户簇兴趣度矩阵进行优化，将产生的“*近邻居”集进行优化，产生*优推荐；（6）对产生的推荐进行反馈评估，对产生的推荐进一步确认。

　　3.2.2推荐引擎的算法实现算法：从客户输入信息中产生客户感兴趣的推荐输入：客户购买或访问过的页面信息输出：推荐系统产生的推荐集方法：…，纟m！购买向品的集合//为客户所访问过的页面//Z为客户对此页面实际浏览时间//为客户对此页面实际浏览次数生成客户兴趣度微电子学与计算机NSH'NJandiN将n加入评价/推荐进程池推荐集rr向客户推荐R将R'代入兴趣度矩阵进一步评价ifM次迭代仍不满足then失败退出并通知管理人员核实阈值向客户推荐R将客户兴趣进一步标准化4结束语本文着重描述了基于兴趣度的商品推荐，在对协同过滤进行研究的基础上，提出了将兴趣度和协同过滤相结合的商品推荐模型。该模型是基于现有（上接第4页）混沌映射是具有高度复杂性的非线性映射，具有极端初值敏感性及固有的内在随机性，因而隐藏图像具有很高的安全性。文中给出进行灰度图像隐藏的置乱混合隐藏算法，通过对隐藏深度的优化，在视觉允许的条件下，使秘密图像像素有尽可能大的潜入量，从而既保证了恢复的秘密图像的质量，也保证了混合图象对常见图像处理与攻击的祗抗能力。

　　在此基础上，还研究了将灰度图像隐藏到彩色图像及将一幅彩色图像隐藏到另一幅彩色图像的方法。

　　实验证明，算法是可行的，隐藏和恢复图像都得到较好的效果。

(完)