海量交易数据抗干扰推荐算法仿真

蔡 娟

(天津商业大学宝德学院，天津 300384)

1 引言

网络信息的爆发式增长与种类的复杂以及新型电子商务服务的出现，导致用户因种类繁多的信息无法做出有效选择。这种多样性的选择不会出现经济效益，反而会影响用户的满意度。推荐系统被证明是一种非常有效解决信息过载问题的工具。推荐系统对海量数据进行挖掘，为用户展示该用户不熟悉且满足用户当前需求的信息。但在推荐过程中容易出现外界干扰，导致推荐出的数据，不是最优信息，不能有效满足用户的全部需要，导致降低用户的体验。

为了解决这种问题，国内学者提出如下解决方案。文献[1]首先把遗忘曲线与记忆周期作为时间元素引入算法中，使艾宾浩斯遗忘曲线融合指数函数，从而取得时间和兴趣衰减的函数关联度，以此优化用户项目的测评分数，让目标用户对待预测的项目评分更为精准。但是与其它方法相同，该算法在特定的交易平台能够很好完成对数据的推荐，但是大环境中抗干扰能力相对较差。文献[2]首先凭借用户测评矩阵和商品种类信息，建造用户针对种类的用户兴趣偏好矩阵，然后使用K-Means算法对项目集进行聚类，并基于用户编号矩阵搜索预估值所对应的临近用户，然后结合项目相似度的加权算法在所有项目种类中对稀疏矩阵进行填充，进而对用户的编号矩阵聚类，最后，通过填充后的测评矩阵，在所有用户类别中使用协同过滤算法对商品测评分数预测，并与用户矩阵融合，从而达到目的。……