论文部分内容阅读
随着电脑及万维网的普及,通过Web获取信息并购买产品已经成为主流。然而网络上的信息资源以爆炸式的速度增长着,人们在购买产品之前要耗费大量的时间和精力去获取相关信息并筛选产品,于是出现了“rich data, poor information”的尴尬局面。为了解决这个问题,研究者提出了很多解决方案,推荐系统便是其中之一。然而,现有的电子商务推荐系统却存在由于数据稀疏而引起的推荐质量低、推荐算法单一(基于协同过滤的推荐技术和基于内容的推荐技术)、只考虑产品属性值全部为精确或全部为非精确的情况等缺点。针对上述问题,本文主要在以下几个方面对推荐系统做了深入研究:1.在推荐系统中应用Agent技术,充分发挥其智能性、反应性、主动性等特点,可为资源发现和推荐提供强大的技术支持。提出了一种基于多Agent的推荐系统整体架构模型——CMARS(CBR-based Multi-Attribute Multi-Agent Recommendation System),设计了该系统各组成部分的功能、结构和流程。该系统由5种功能相互独立的Agent构成,它们之间相互分工合作共同完成推荐任务,克服了传统推荐系统存在的局限性。2.将案例推理方法引入到推荐系统中,可对数据的稀疏性问题进行一定程度的改善。研究了案例的表示方法,能够完整有效地表达用户的自身特征和在购买过程中的各种需求信息。3.算法方面,在考虑了属性分类的基础上提出了基于距离的混合数据类型的相似性度量方法和基于TOPSIS的多属性决策方法。在本算法中,用户的需求信息可为精确型的也可为非精确型的,具有更大的现实意义。4.基于以上的技术和算法,本文初步实现了一个教材推荐系统,并设计了相应的实验对两种算法进行测试。实验结果表明,基于混合相似性度量的检索算法和基于TOPSIS的多属性决策算法均具有较高的推荐精度。总之,本文将CBR方法,MADM方法和多Agent技术整合应用于电子商务推荐系统,并在混合数据的相似性度量和TOPSIS决策排序方面做了有益的尝试,本文的研究结果对于电子商务推荐系统、Web服务均有一定的参考价值。