购物网站的推荐系统研究
本文介绍了购物网站的推荐系统,列举出多个推荐系统并简单论述,分析了推荐系统常用的算法,一般包括:内容过滤、协同过滤等。重点介绍了标签系统,按照商品标签的制作者不同，商品标签可以分为两类。第一类，是购物网站给商品做标签，第二类，是让客户给商品添加标签(做标注)，客户用标签来描述自己对商品的看法。在论文书签网站CiteULike、音乐网站Lastfm、视频网站Hulu、豆瓣网站等推荐系统中，标签得到了广泛的应用。在推荐系统的计算过程中，将数据集随机分成训练集（记做R）和测试集（记做T）。客户对商品的多个标注记录，或者分进训练集，或者分进测试集。在分完数据集后，通过学习训练集中的客户标签数据，来预测测试集上客户会给什么商品打标签。对于客户u，R(u)表示给客户u的长度为N的推荐列表，里面包含着客户会打标签的商品。而T(u)是测试集中客户u实际上打过标签的商品集合。然后，利用准确率／召回率( Precision/Recall)来评测个性化推荐算法的准确率。
购物网站 推荐系统 标签数据 个性化推荐算法
王树西
对外经济贸易大学信息学院 北京100029
国内会议
开封
中文
178-184
2012-05-25（万方平台首次上网日期，不代表论文的发表时间）