隨著計(jì)算機(jī)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(kuò)大的互聯(lián)網(wǎng)規(guī)模導(dǎo)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(lái)響應(yīng)用戶(hù)查詢(xún)。導(dǎo)致用戶(hù)無(wú)法過(guò)濾掉無(wú)關(guān)的商品信息,這給用戶(hù)造成了信息過(guò)載的問(wèn)題。商家逐漸意識(shí)到在當(dāng)今瞬息萬(wàn)變的商業(yè)環(huán)境中,以最有效和最及時(shí)的方式滿(mǎn)足客戶(hù)需求是至關(guān)重要的。為了更快更準(zhǔn)確的幫助用戶(hù)找到符合他們興趣的信息,推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)跟蹤用戶(hù)的瀏覽行為,并利用合適的推薦算法來(lái)預(yù)測(cè)用戶(hù)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(hù)信息獲取的準(zhǔn)確性是研究的關(guān)鍵問(wèn)題。為了跟隨電子商務(wù)的潮流和趨勢(shì),本文在實(shí)際需求的情況下開(kāi)發(fā)了個(gè)性化推薦式網(wǎng)上書(shū)店系統(tǒng),實(shí)現(xiàn)了集個(gè)性化推薦與在線(xiàn)書(shū)城于一體的專(zhuān)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(kāi)發(fā)所用到多種技術(shù),首先從推薦系統(tǒng)的國(guó)內(nèi)外相關(guān)技術(shù)得研究背景出發(fā),對(duì)基于內(nèi)容的過(guò)濾、基于內(nèi)存的協(xié)同過(guò)濾、基于模型的協(xié)同過(guò)濾以及基于聚類(lèi)的協(xié)同過(guò)濾推薦算法進(jìn)行詳細(xì)講解;接著對(duì)系統(tǒng)開(kāi)發(fā)所用到的Web開(kāi)發(fā)技術(shù)和開(kāi)發(fā)過(guò)程進(jìn)行了詳細(xì)闡述。2)針對(duì)協(xié)同過(guò)濾遇到的稀疏性問(wèn)題,闡述了稀疏性問(wèn)題的成因以及對(duì)推薦系統(tǒng)的影響,并利用評(píng)價(jià)指標(biāo)對(duì)現(xiàn)有解決稀疏性的算法進(jìn)行評(píng)測(cè)。3)對(duì)book-Crossing數(shù)據(jù)集的數(shù)據(jù)進(jìn)行處理后,再利用準(zhǔn)確率和召回率對(duì)協(xié)同過(guò)濾算法和基于k-means算法進(jìn)行對(duì)比,來(lái)說(shuō)明妥善處理完稀疏性后推薦性能更好。4)分析了個(gè)性化圖書(shū)推薦系統(tǒng)的需求,從功能性和非功能性?xún)蓚�(gè)方面進(jìn)行分析,從參與者的角度對(duì)系統(tǒng)進(jìn)行設(shè)計(jì)并把系統(tǒng)劃分為用戶(hù)端模塊、服務(wù)器模塊以及數(shù)據(jù)庫(kù)模塊。最后就系統(tǒng)的實(shí)現(xiàn)過(guò)程進(jìn)行詳細(xì)介紹。本設(shè)計(jì)開(kāi)發(fā)的個(gè)性化推薦式網(wǎng)上書(shū)店系統(tǒng)利用算法進(jìn)行反復(fù)的實(shí)驗(yàn),已經(jīng)能夠完成網(wǎng)上書(shū)店的所有基本功能,同時(shí)能夠動(dòng)態(tài)高效地推薦給用戶(hù)感興趣的圖書(shū)項(xiàng)目。
【學(xué)位單位】：寧夏大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：TP391.3
【部分圖文】：

邐模型逡逑圖２－１推薦系統(tǒng)過(guò)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(hù)信息、用戶(hù)對(duì)產(chǎn)品的評(píng)級(jí)評(píng)價(jià)以及逡逑用戶(hù)興趣愛(ài)好等信息。然后根據(jù)獲得的不穩(wěn)定的用戶(hù)數(shù)據(jù)，提煉出有價(jià)值的數(shù)據(jù)并建立用戶(hù)模逡逑型，同時(shí)構(gòu)建項(xiàng)目文件和項(xiàng)目的特征模型。推薦算法根據(jù)建立好的用戶(hù)模型和項(xiàng)目文件，用特逡逑定的算法進(jìn)行不斷的訓(xùn)練后提供給用戶(hù)特定的推薦。常見(jiàn)的推薦算法包括基于內(nèi)容的推薦算法，逡逑協(xié)同過(guò)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(zhǔn)確的根據(jù)用戶(hù)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(xué)模型為：逡逑邐表１推薦系統(tǒng)數(shù)學(xué)模型邐逡逑已知逡逑＊邐用戶(hù)集合ｔ／；逡逑？邐推薦項(xiàng)目特征集合Ｔ；逡逑？邋Ｒ是用戶(hù)對(duì)項(xiàng)目興趣度的全序非負(fù)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(dòng)用戶(hù)ｃ對(duì)項(xiàng)目ｔ的感興趣度；逡逑目標(biāo)逡逑對(duì)于ＶｃｅＵ，確定使效用函數(shù)值最大的項(xiàng)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(biāo)來(lái)對(duì)用戶(hù)和項(xiàng)目?jī)烧哌M(jìn)行編碼。其中用戶(hù)對(duì)項(xiàng)目的評(píng)價(jià)被逡逑建模為期望的用戶(hù)和項(xiàng)目特征向量的內(nèi)積。設(shè)表示用戶(hù)特征矩陣，ｖ表示分別由用戶(hù)和項(xiàng)目逡逑特征向量組成的項(xiàng)目特征矩陣。圖２－３給出了基于模型的協(xié)同過(guò)濾的可視化計(jì)算，其中假設(shè)項(xiàng)逡逑目是圖書(shū)，則ｄ是項(xiàng)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(guò)濾的可視化計(jì)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(hù)１１和項(xiàng)目Ｖ的預(yù)測(cè)評(píng)級(jí)和觀(guān)察評(píng)級(jí)。預(yù)測(cè)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(zhǔn)確度高。／ｚＭｅ沿有一個(gè)不平衡參數(shù)Ｌ／ｆｏ／ｆｌｃ／ｗ它逡逑會(huì)導(dǎo)致算法覆蓋面高但分區(qū)不平均。在協(xié)同過(guò)濾系統(tǒng)中對(duì)數(shù)據(jù)集進(jìn)行分區(qū)時(shí)，系統(tǒng)主要希望能逡逑減少稀疏性并提高預(yù)測(cè)的準(zhǔn)確性。分區(qū)算法是最良好的聚類(lèi)算法，生成的分逡逑區(qū)準(zhǔn)確性和覆蓋率均優(yōu)于其他算法Ｉ３６３。將項(xiàng)目空間劃分成許多較小的集群，每個(gè)分區(qū)逡逑單獨(dú)的推薦計(jì)算將花費(fèi)較少的時(shí)間來(lái)完成，同時(shí)由于每個(gè)分區(qū)獨(dú)立于其他分區(qū)，所以每個(gè)分區(qū)逡逑的預(yù)測(cè)計(jì)算可以并行進(jìn)行，從而進(jìn)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(lèi)方式ＭＡＥ對(duì)比逡逑－２０－逡逑

【參考文獻(xiàn)】

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(jì)算機(jī)系統(tǒng);2015年11期

2 于洪;李俊華;;一種解決新項(xiàng)目冷啟動(dòng)問(wèn)題的推薦算法[J];軟件學(xué)報(bào);2015年06期

3 王茜;錢(qián)力;;大數(shù)據(jù)環(huán)境下電子商務(wù)個(gè)性化推薦服務(wù)發(fā)展動(dòng)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(hào)：2820792