个性化电子商务系统中的自适应过滤算法探究(3)
2015-01-18 01:45
导读：EP(t 1k )表示我们所期看的过滤应该在t k 时刻达到的精确度。我们首先将其作为常数，尝试不同的值来观察过滤性能，但是结果不尽如人意。我们意识到在
EP(t
1k)表示我们所期看的过滤应该在t
k时刻达到的精确度。我们首先将其作为常数，尝试不同的值来观察过滤性能，但是结果不尽如人意。我们意识到在过滤初期就希看达到终极期看精确度是不正确的，因而采用了一个逐渐上升的函数，该函数如公式(8)所示：
EP(t
k 1)=P (P
final-P
0)n
R(t
k 1)IU
(8)
P
0和Pt
final分别是过滤初期和过滤末期我们所希看过滤达到的精确度。
n
R(t
k 1)-n
R(t
k)的值决定着过滤对阈值的调整频率，其越小表明过滤对阈值的调整越频繁。在我们的适应性过滤中，我们将其设为1，即意味着过滤只在找回一个正实例之后才调整阈值。
二、试验
根据研究，我们将个性化服务系统的合作项目与社区结合起来。笔者构建了一个基于为特定社区服务的电子商务的个性化推荐系统网站。为得到对比试验结果，传统的过滤批次算法和自适应过滤算法被分别应用于个性化社团过滤模块中。试验数据从上面提及的电子商务网站得到，并划分成两个集合：练习实例(5062个社区)和测试实例(4028个社区)。64个主题也被用于该试验。试验结果如图3所示。x轴是64个主题按照精确度从高到低排列，Y轴是传统批次过滤和自适应过滤对于每个种类的精确度。传统批次过滤为每个主题提供了12个相关社团，适应性过滤则提供了3个。此外，每个种类只有3个相关社团。
从图3可以看出，批次过滤算法的性能下降不快，两条曲线非常接近。事实上，两个均匀值分别是30.9％和25.8％，范围只降低了16.3％。但是，大多数种类的精确度在不使用适应性过滤算法的情况下下降很多，均匀精确度是17.6％，下降45.2％。这就完整揭示了自适应功能。
内容来自www.nseac.com 三、结论
综上所述，笔者提出一个新的基于向量空间模型的用于电子商务的自适应过滤算法。将该算法应用于基于电子商务的个性化服务系统中进行测试，测试结果证实它是有效可行的。希看本文能为其他研究者提供一定的参考价值。
