本站原创该文是电子商务专业算法论文范文，主要论述了关于算法相关函授毕业论文,与推荐系统中相关技术与探析相关论文例文，适合算法及用户及误差方面的的大学硕士和本科毕业论文以及算法相关开题报告范文和职称论文写作参考文献资料下载。
【摘 要】电子商务和社交网络的蓬勃发展使得推荐系统的应用越来越广泛.推荐系统能够提取用户兴趣,并提供个性化性的服务推荐.本文首先对推荐算法的相关概念进行了介绍,进而指出了协同过滤在推荐算法中的应用,并在此基础上提出了认识临界逆转误差概念,最后对全文进行了总结.
【关 键 词 】推荐系统 临界逆转误差 误差分析
一、前言
随着web2.0的兴起,公众通信网络的信息生成方式发生了根本性的变化,由网络产生模式逐步向由用户创造方式转变,兴趣和爱好不同的用户产生了多种中不同种类的信息,包括政治舆论、娱乐资讯和个人感情等；而信息的形式也多种多样,包括视频、音频和文字等多种媒体形式.互联网的飞速发展将人类带入了信息爆炸的时代,人们经历了从信息匮乏到泛滥的剧变,发现从海量互联网信息中获取所需内容却成为了一件复杂的事情――信息过载（information overload）.传统的搜索引擎只能被动提供无差别的搜索服务,而推荐系统利用数据挖掘、人工智能等技术能够主动帮助人们过滤信息,提供个性化的服务.
二、推荐算法相关概念
推荐算法在商业上的应用主要是进行商品和服务的推荐,在社交网络上还有好友推荐.电子商务和社交网络是目前最为火热的研究领域,因为提供了大量的可用数据集合用于科学研究.
推荐算法可以根据用户的浏览记录,预测用户的研究领域和兴趣点,然后主动把相关领域内权威专家/实验室的主页、引用频率较高的论文推送给用户.此外,推荐算法还可以进行专利、代码模块等的推荐.
推荐算法是推荐系统的核心部分,推荐算法的优劣很大程度上直接导致了最后推荐结果的好坏.目前推荐算法分类主要与可以使用数据来源相关,同时对推荐的认识方式也决定了不同的分类,目前主要有以下几种类别：通过用户的历史项目为其建立用户偏好档案,将新项目与档案相比较而进行的推荐属于基于内容的推荐；协同其它用户的数据,采用启发式或者基于模型的推荐方法来过滤掉多余的推荐称为协同过滤推荐；结合基于项目和协同过滤的优点,克服互相的缺点进行的推荐为组合推荐.
三、协同过滤在推荐算法中的应用
协同过滤推荐自二十世纪九十年代,目前已经是推荐系统中应用最广泛,最为成功的技术之一.协同过滤的思想基于这样的假设：为用户找到他真正感兴趣内容的好方法是首先找到与此用户有相似兴趣的其他用户,然后将他们感兴趣的内容推荐给此用户.
基于协同过滤的算法在推荐系统领域取得了巨大的成功,根据该思想在实际操作过程中产生了不同的算法,主要可以分为以下几类：基于内存的推荐算法和基于模型的推荐算法.
首先对目前的研究现状者进行小结,总结和对比各推荐算法的优缺点.由于社会网络和各传感器的应用,为推荐算法提供了更多的应用场景和更多的数据信息,同时在新环境下也给推荐算法带来了新的挑战,最后对推荐算法的发展趋势进行展望.
目前的推荐算法主要基于用户对项目评分这一数据,各推荐算法将其转化为相适应的模型,如学习过程,评分矩阵或者是参数最大化的估计.推荐算法的领域不同,采用思路也不尽相同,上述研究现状中已经说明各种推荐算法的优缺点.
经过几十年的发展,传统的推荐算法已经取得了较好的效果,由于推荐算法属于交叉学科,各领域对推荐算法的改进都做了积极的贡献.无论是机器学习中的贝叶斯推理方法、各矩阵分解方法还是基于物理学习的能量扩散方法都为推荐算法奠定了理论基础,为后续的发展提供较好的解决思路.
同时,各推荐算法还存在一定的局限性.由于模型和数据的限制,存在着许多共同的难题.
四、认识临界逆转误差
推荐系统计算出用户对一个项目的评分,很可能与实际情况截然相反,这就产生了情感逆转误差（reversal）.
定义：临界逆转误差（critical reversal error, CRE）是指发生在均值附近的逆转误差.
现实中评分取值往往限于一个较小的整数范围,传统推荐系统的处理方法是将得到的预测结果四舍五入后作为评分的预测.这种粗糙的处理方法很容易导致逆转误差.
以五分制的评价体系为例：一分表示非常糟糕,两分表示糟糕,三分表示一般,四分表示好,五分表示非常好.
第一类临界逆转误差：错误舍去导致的逆转误差.假设用户U的评分均值为3.05分,预测用户对项目的评分为3.45分.四舍五入后得到预测结果为3分,用户对该项目的情感由比较满意变成了不满意.
第二类临界逆转误差：错误进位导致的情感逆转误差.假设用户U的均值为2.95分,预测用户U对项目的评分为2.55分.四舍五入得到预测结果为3分,用户对该项目的情感由略微不满意变成比较满意了.
五、结束语
传统的推荐算法逐步走向成熟,以矩阵分解为代表的基于模型的推荐方法已经在准确率等指标上取得了较好的效果,传统的推荐算法以用户对项目评分的矩阵模型为基础,抽象出来模型较为简单,省去了许多条件.虽然使用基于内容的推荐算法,可以依据使用者过去的偏好,推荐出符合用户喜好习惯的项目,但是此方法有以下限制：所能分析的项目内容仅限于能够用一系列的特征集合来表示的信息,而无法有效处理声音、图片、艺术品、影像等多媒体信息；用户仅仅能够接收到与过去喜好类似的推荐项目,而无法找出与过去体验有所不同,同时又具有潜在意义的新颖性推荐；无法处理品质、风格或观点,以文章为例,若两篇文章的主题相同,但其内容品质有所差别的时候,此方法无法有效分辨.所以下一步,还需进一步对推荐算法及协同过滤方法进行研究,以便更好的解决上述提出的问题.