本文選題：內(nèi)容推薦　切入點(diǎn)：用戶特征數(shù)據(jù)　出處：《北方工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來,電子商務(wù)的快速發(fā)展使得信息過載問題越來越突出,為了解決這一問題各大電子商務(wù)網(wǎng)站越來越依賴于內(nèi)容推薦系統(tǒng)。本文首先介紹了內(nèi)容推薦方法在國內(nèi)外的研究與應(yīng)用現(xiàn)狀,對(duì)電子商務(wù)中用戶特征數(shù)據(jù)以及數(shù)據(jù)挖掘技術(shù)做出了研究。通過分析和比較現(xiàn)有的內(nèi)容推薦技術(shù),針對(duì)傳統(tǒng)協(xié)同過濾推薦方法存在的"冷啟動(dòng)"、數(shù)據(jù)稀疏和"新興趣""發(fā)現(xiàn)的問題提出了基于用戶特征數(shù)據(jù)的改進(jìn)方案。對(duì)于協(xié)同過濾推薦方法存在的"冷啟動(dòng)"問題,利用用戶的屬性特征數(shù)據(jù),挖掘用戶屬性特征的相似帶來的興趣相似。首先根據(jù)新用戶的屬性特征,為新用戶找到屬性相似的用戶。然后根據(jù)相似用戶群的喜好,為用戶推薦基于用戶屬性特征的商品。對(duì)于數(shù)據(jù)稀疏問題,本文通過分析用戶的多種特征數(shù)據(jù),得到用戶的屬性特征、喜好特征和評(píng)分特征。針對(duì)協(xié)同過濾推薦方法中相似度的計(jì)算進(jìn)行改進(jìn)。融合用戶屬性相似度的同時(shí),并以用戶的特征數(shù)據(jù)所表示的用戶喜好權(quán)重來填充用戶-項(xiàng)目評(píng)分矩陣。最后加權(quán)綜合用戶的屬性相似度和優(yōu)化后的評(píng)分相似度得到用戶間的綜合相似度。為用戶找到相似鄰居,通過協(xié)同過濾,實(shí)現(xiàn)推薦。針對(duì)不能發(fā)現(xiàn)驚喜商品的問題,引入關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù),挖掘訂單中商品的頻繁項(xiàng)集,找到商品間的關(guān)聯(lián)規(guī)則。通過結(jié)合用戶的在線特征數(shù)據(jù),將關(guān)聯(lián)規(guī)則推薦結(jié)果進(jìn)行個(gè)性化過濾,得到推薦。最后根據(jù)本文提出的推薦方法設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)電子商務(wù)內(nèi)容推薦系統(tǒng),并應(yīng)用到電子商務(wù)網(wǎng)站中進(jìn)行實(shí)際檢驗(yàn)。通過對(duì)推薦方法準(zhǔn)確率、召回率和平均絕對(duì)誤差的實(shí)驗(yàn)分析,證明了本文所述推薦方法的有效性。
[Abstract]:In recent years, the rapid development of electronic commerce makes the problem of information overload more and more prominent. In order to solve this problem, various e-commerce websites rely more and more on content recommendation system. Firstly, this paper introduces the research and application status of content recommendation methods at home and abroad. This paper makes a research on user characteristic data and data mining technology in electronic commerce. By analyzing and comparing the existing content recommendation technology, Aiming at the problems of "cold start", data sparsity and "new interest" found in traditional collaborative filtering recommendation methods, an improved scheme based on user characteristic data is proposed. Using the attribute feature data of the user, the similarity of interest caused by the similarity of the user attribute feature is mined. Firstly, according to the attribute feature of the new user, the user with the similar attribute is found for the new user, and then according to the preferences of the similar user group, For the problem of data sparsity, this paper analyzes the user's multi-feature data, and obtains the user's attribute feature. Preference feature and score feature. The similarity calculation in collaborative filtering recommendation method is improved. At the same time, the similarity of user attributes is fused. The user-item scoring matrix is filled with the user preference weight expressed by the user's characteristic data. Finally, the user's attribute similarity and the optimized rating similarity are weighted to obtain the user's comprehensive similarity. The family found a similar neighbor, Through collaborative filtering, recommendation is realized. In order to solve the problem of finding surprise items, association rules data mining technology is introduced to mine the frequent item set of goods in order to find the association rules between items. By combining the online characteristic data of users, the association rules between items are found. Finally, according to the recommendation method proposed in this paper, an E-commerce content recommendation system is designed and implemented. Through the experimental analysis of the accuracy, recall rate and average absolute error of the recommendation method, the validity of the proposed recommendation method is proved.
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉慧婷;陳艷;肖慧慧;;基于用戶偏好的矩陣分解推薦算法[J];計(jì)算機(jī)應(yīng)用;2015年S2期

2 王夢恬;魏晶晶;廖祥文;林錦賢;陳國龍;;融合評(píng)論標(biāo)簽的個(gè)性化推薦算法[J];計(jì)算機(jī)科學(xué)與探索;2016年10期

3 孟慶慶;張勝男;盧楚雍;;基于用戶特征和商品特征的組合協(xié)同過濾算法[J];軟件導(dǎo)刊;2015年03期

4 柯良文;王靖;;基于用戶特征遷移的協(xié)同過濾推薦[J];計(jì)算機(jī)工程;2015年01期

5 冷亞軍;陸青;梁昌勇;;協(xié)同過濾推薦技術(shù)綜述[J];模式識(shí)別與人工智能;2014年08期

6 胡勛;孟祥武;張玉潔;史艷翠;;一種融合項(xiàng)目特征和移動(dòng)用戶信任關(guān)系的推薦算法[J];軟件學(xué)報(bào);2014年08期

7 杜永萍;黃亮;何明;;融合信任計(jì)算的協(xié)同過濾推薦方法[J];模式識(shí)別與人工智能;2014年05期

8 孫光福;吳樂;劉淇;朱琛;陳恩紅;;基于時(shí)序行為的協(xié)同過濾推薦算法[J];軟件學(xué)報(bào);2013年11期

9 郭磊;馬軍;陳竹敏;;一種信任關(guān)系強(qiáng)度敏感的社會(huì)化推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

10 李東勤;徐勇;;個(gè)性化推薦系統(tǒng)中協(xié)同過濾算法研究[J];科技信息;2012年32期

相關(guān)碩士學(xué)位論文 前9條

1 蹇怡;融合社交網(wǎng)絡(luò)的協(xié)同過濾推薦算法的研究與應(yīng)用[D];重慶郵電大學(xué);2016年

2 梁雪芬;基于數(shù)據(jù)挖掘的視頻推薦技術(shù)研究[D];電子科技大學(xué);2014年

3 應(yīng)中運(yùn);基于用戶情境的論壇個(gè)性化推薦模型研究[D];西南大學(xué);2014年

4 朱文奇;推薦系統(tǒng)用戶相似度計(jì)算方法研究[D];重慶大學(xué);2014年

5 劉明;基于聚類和會(huì)話情景的混合推薦算法研究[D];華中科技大學(xué);2013年

6 李妮燕;用戶興趣自適應(yīng)的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2012年

7 黃霞;基于本體的圖像檢索數(shù)據(jù)庫的關(guān)鍵技術(shù)研究[D];中南大學(xué);2012年

8 杜英;基于協(xié)同過濾技術(shù)的個(gè)性化推薦系統(tǒng)研究[D];天津師范大學(xué);2012年

9 張雪文;智能推薦系統(tǒng)中協(xié)同過濾算法的研究[D];上海交通大學(xué);2008年

，

本文編號(hào)：1610582