隨著計算機技術(shù)和安全性的提升,電子商務(wù)拓展到了軍事、教育、醫(yī)療等領(lǐng)域,互聯(lián)網(wǎng)上可供選擇的商品數(shù)巨大。但是逐步擴大的互聯(lián)網(wǎng)規(guī)模導致各大電子商務(wù)網(wǎng)站處理著大量的內(nèi)容,并提供大量的結(jié)果來響應(yīng)用戶查詢。導致用戶無法過濾掉無關(guān)的商品信息,這給用戶造成了信息過載的問題。商家逐漸意識到在當今瞬息萬變的商業(yè)環(huán)境中,以最有效和最及時的方式滿足客戶需求是至關(guān)重要的。為了更快更準確的幫助用戶找到符合他們興趣的信息,推薦系統(tǒng)應(yīng)運而生。推薦系統(tǒng)跟蹤用戶的瀏覽行為,并利用合適的推薦算法來預測用戶感興趣的商品。在推薦系統(tǒng)的研究中,推薦算法的確定和用戶信息獲取的準確性是研究的關(guān)鍵問題。為了跟隨電子商務(wù)的潮流和趨勢,本文在實際需求的情況下開發(fā)了個性化推薦式網(wǎng)上書店系統(tǒng),實現(xiàn)了集個性化推薦與在線書城于一體的專業(yè)型電子商務(wù)網(wǎng)站。本文所做工作如下:1)研究推薦系統(tǒng)和Web開發(fā)所用到多種技術(shù),首先從推薦系統(tǒng)的國內(nèi)外相關(guān)技術(shù)得研究背景出發(fā),對基于內(nèi)容的過濾、基于內(nèi)存的協(xié)同過濾、基于模型的協(xié)同過濾以及基于聚類的協(xié)同過濾推薦算法進行詳細講解;接著對系統(tǒng)開發(fā)所用到的Web開發(fā)技術(shù)和開發(fā)過程進行了詳細闡述。2)針對協(xié)同過濾遇到的稀疏性問題,闡述了稀疏性問題的成因以及對推薦系統(tǒng)的影響,并利用評價指標對現(xiàn)有解決稀疏性的算法進行評測。3)對book-Crossing數(shù)據(jù)集的數(shù)據(jù)進行處理后,再利用準確率和召回率對協(xié)同過濾算法和基于k-means算法進行對比,來說明妥善處理完稀疏性后推薦性能更好。4)分析了個性化圖書推薦系統(tǒng)的需求,從功能性和非功能性兩個方面進行分析,從參與者的角度對系統(tǒng)進行設(shè)計并把系統(tǒng)劃分為用戶端模塊、服務(wù)器模塊以及數(shù)據(jù)庫模塊。最后就系統(tǒng)的實現(xiàn)過程進行詳細介紹。本設(shè)計開發(fā)的個性化推薦式網(wǎng)上書店系統(tǒng)利用算法進行反復的實驗,已經(jīng)能夠完成網(wǎng)上書店的所有基本功能,同時能夠動態(tài)高效地推薦給用戶感興趣的圖書項目。
【學位單位】：寧夏大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.3
【部分圖文】：

邐模型逡逑圖２－１推薦系統(tǒng)過程逡逑從圖２－１可以看出推薦系統(tǒng)首先顯式或隱式的獲取用戶信息、用戶對產(chǎn)品的評級評價以及逡逑用戶興趣愛好等信息。然后根據(jù)獲得的不穩(wěn)定的用戶數(shù)據(jù)，提煉出有價值的數(shù)據(jù)并建立用戶模逡逑型，同時構(gòu)建項目文件和項目的特征模型。推薦算法根據(jù)建立好的用戶模型和項目文件，用特逡逑定的算法進行不斷的訓練后提供給用戶特定的推薦。常見的推薦算法包括基于內(nèi)容的推薦算法，逡逑協(xié)同過濾推薦算法以及混合推薦算法。這些推薦算法也己經(jīng)成功的部署在商業(yè)環(huán)境中。推薦系逡逑統(tǒng)是否能準確的根據(jù)用戶信息做出高質(zhì)量推薦，關(guān)鍵取決于推薦算法。推薦系統(tǒng)數(shù)學模型為：逡逑邐表１推薦系統(tǒng)數(shù)學模型邐逡逑已知逡逑＊邐用戶集合ｔ／；逡逑？邐推薦項目特征集合Ｔ；逡逑？邋Ｒ是用戶對項目興趣度的全序非負整數(shù)或?qū)崝?shù)集合；逡逑？邐效用函數(shù)ｕ（ｃ，ｔ）：ｔ／＊Ｔ—Ｒ度量活動用戶ｃ對項目ｔ的感興趣度；逡逑目標逡逑對于ＶｃｅＵ，確定使效用函數(shù)值最大的項目ｔｅＴ，即逡逑邐Ｖｃ邋ｅ邋Ｕ邋．邋ｔ邋＝邋ａｒｇ邋ｍａｘ邋ｕ（ｃ，ｔ）邐逡逑－６－逡逑

然后在低維特征空間中給予坐標來對用戶和項目兩者進行編碼。其中用戶對項目的評價被逡逑建模為期望的用戶和項目特征向量的內(nèi)積。設(shè)表示用戶特征矩陣，ｖ表示分別由用戶和項目逡逑特征向量組成的項目特征矩陣。圖２－３給出了基于模型的協(xié)同過濾的可視化計算，其中假設(shè)項逡逑目是圖書，則ｄ是項目的數(shù)量。逡逑ｄ邐邐邐邐邐逡逑Ｕｓｅｒ邋Ｒ邐Ｉ邋＇邋－邋！邋Ｕ邐Ｓ３邐Ｖ逡逑Ｕｓｅｒ邐ｄ逡逑圖２－３基于模型的協(xié)同過濾的可視化計算逡逑理想情況下打，；＝＆，＋，巧＞７／，＿／，根據(jù)損失函數(shù)最小化為均方根誤差（７？從￡），逡逑ＲＭＳＥ＝邋Ｕ－＾ｉＰｖ．ｖ－ｒ＾）２邐ａｎ）逡逑Ｖ邋＾邋ｕ，ｖ逡逑其中的Ｐｗ，ｖ和？Ｖ分別是用戶１１和項目Ｖ的預測評級和觀察評級。預測公式為：逡逑ｐｉｊ邋＝邋｛Ｕｉ，Ｖｊ）邐（２．Ｓ）逡逑－１１－逡逑

逡逑從表３－７、圖３－１和圖３－２可以得出，■算法是提能供最合理分布的簇的算法。而Ｍｆｅ沿逡逑算法能保證簇近似均句分布但是不如準確度高。／ｚＭｅ沿有一個不平衡參數(shù)Ｌ／ｆｏ／ｆｌｃ／ｗ它逡逑會導致算法覆蓋面高但分區(qū)不平均。在協(xié)同過濾系統(tǒng)中對數(shù)據(jù)集進行分區(qū)時，系統(tǒng)主要希望能逡逑減少稀疏性并提高預測的準確性。分區(qū)算法是最良好的聚類算法，生成的分逡逑區(qū)準確性和覆蓋率均優(yōu)于其他算法Ｉ３６３。將項目空間劃分成許多較小的集群，每個分區(qū)逡逑單獨的推薦計算將花費較少的時間來完成，同時由于每個分區(qū)獨立于其他分區(qū)，所以每個分區(qū)逡逑的預測計算可以并行進行，從而進一步提高推薦的速率。逡逑ＭＡＥ逡逑１．１８逡逑１．１７逡逑１１６邐ＢＫ逡逑Ｗ邋１．１５邐■邐■逡逑Ｉ邐Ｉ邐Ｉ邋Ｉ邋■邋Ｉ逡逑／邋／邋／邋／邋／逡逑五種算法逡逑圖３－１五種聚類方式ＭＡＥ對比逡逑－２０－逡逑

【參考文獻】

相關(guān)期刊論文 前10條

1 陸怡靜;曹健;;基于主題模型的多層次服務(wù)推薦[J];小型微型計算機系統(tǒng);2015年11期

2 于洪;李俊華;;一種解決新項目冷啟動問題的推薦算法[J];軟件學報;2015年06期

3 王茜;錢力;;大數(shù)據(jù)環(huán)境下電子商務(wù)個性化推薦服務(wù)發(fā)展動向探析[J];商業(yè)研究;2014年08期

4 李振博;徐桂瓊;g

本文編號：2820792