發(fā)布時(shí)間：2017-05-26 08:10

  本文關(guān)鍵詞：基于BP網(wǎng)絡(luò)融合的電子商務(wù)個(gè)性化推薦模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：計(jì)算機(jī)科學(xué)與互聯(lián)網(wǎng)的發(fā)展，使人們生活的方方面面發(fā)生了深刻的變革，與此同時(shí)網(wǎng)絡(luò)可用信息呈現(xiàn)出爆炸式的增長，已遠(yuǎn)遠(yuǎn)超出人們所能接受的范圍，導(dǎo)致信息過載。電子商務(wù)網(wǎng)站由于物品種類繁多、數(shù)量龐大，往往會(huì)對用戶形成信息淹沒，使用戶不能充分發(fā)掘自己喜歡的物品，，導(dǎo)致商品銷售出現(xiàn)“80%的銷售額來自于20%的商品”這一現(xiàn)象。而個(gè)性化推薦正是解決這一問題的一種有效措施。 本文首先對個(gè)性化推薦系統(tǒng)的架構(gòu)和工作原理作了簡單描述，分析了傳統(tǒng)基于內(nèi)容的推薦算法和基于內(nèi)存的鄰域推薦算法在面對用戶量巨大、商品種類繁多的電商應(yīng)用場景時(shí)所表現(xiàn)出的局限性。在此基礎(chǔ)上，利用機(jī)器學(xué)習(xí)和最優(yōu)化理論，從物品的屬性出發(fā)，分析了基于奇異值分解的LFM模型，并結(jié)合用戶在電子商務(wù)網(wǎng)站購物的具體情形，將購物過程中不同的用戶行為對應(yīng)于不同的隱性反饋信息，并映射為不同的評分比重，從而改進(jìn)了現(xiàn)有的只考慮了單一隱反饋信息的LFM模型，降低了評分預(yù)測誤差。 接著，從用戶興趣群體的角度出發(fā)，將文本挖掘領(lǐng)域基于概率分布的LDA模型應(yīng)用于評分預(yù)測問題中，并取得了良好的預(yù)測效果。在上述工作基礎(chǔ)上，鑒于單一推薦模型性能的瓶頸，采用人工神經(jīng)網(wǎng)絡(luò)將LDA和改進(jìn)的LFM模型進(jìn)行融合，以此探究多模型融合對于推薦性能提升的影響。實(shí)驗(yàn)表明融合后的模型較單一模型在評分預(yù)測問題中，能夠獲得更低的均方根誤差值。之后，本文將評分預(yù)測問題轉(zhuǎn)化為實(shí)際的Top N推薦問題，并通過實(shí)驗(yàn)證明，均方根誤差值的小幅度降低，卻能帶來推薦精度的顯著提高。 最后對全文的研究工作作了總結(jié)，并對個(gè)性化推薦涉及的其他方面問題的研究作出了展望。
【關(guān)鍵詞】：電子商務(wù) 個(gè)性化推薦 LFM LDA 人工神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-14
• 1.1 課題研究背景及意義9-10
• 1.2 課題研究現(xiàn)狀10-11
• 1.3 本文的主要工作11-12
• 1.4 本文的組織結(jié)構(gòu)12-14
• 第二章 個(gè)性化推薦相關(guān)理論及技術(shù)14-29
• 2.1 個(gè)性化推薦系統(tǒng)的架構(gòu)14-17
• 2.1.1 日志采集與存儲(chǔ)14-15
• 2.1.2 推薦引擎架構(gòu)15-17
• 2.2 推薦系統(tǒng)的評測17-20
• 2.2.1 推薦系統(tǒng)的實(shí)驗(yàn)方法17-18
• 2.2.2 推薦系統(tǒng)的測評指標(biāo)18-20
• 2.3 相關(guān)推薦算法20-26
• 2.3.1 基于內(nèi)容的推薦算法20-21
• 2.3.2 協(xié)同過濾推薦21-26
• 2.4 機(jī)器學(xué)習(xí)26-28
• 2.5 本章小結(jié)28-29
• 第三章 基于隱含語義模型 LFM 的推薦29-42
• 3.1 引言29-30
• 3.2 隨機(jī)梯度下降法30-31
• 3.3 隱含語義模型 LFM 分析31-35
• 3.3.1 基于奇異值分解的 LFM31-33
• 3.3.2 結(jié)合隱性反饋數(shù)據(jù)的 LFM33-35
• 3.4 結(jié)合電子商務(wù)購物場景改進(jìn) LFM35-38
• 3.5 實(shí)驗(yàn)結(jié)果及分析38-41
• 3.5.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集介紹38-39
• 3.5.2 RMSE 測評39-41
• 3.6 本章小結(jié)41-42
• 第四章 基于人工神經(jīng)網(wǎng)絡(luò)融合 LDA 和改進(jìn)的 LFM42-55
• 4.1 引言42
• 4.2 隱含狄利克雷分布42-47
• 4.2.1 基于隱含狄利克雷分布的推薦算法43-46
• 4.2.2 吉布斯采樣46-47
• 4.3 基于 BP 網(wǎng)絡(luò)融合 LDA 和改進(jìn)的 LFM47-52
• 4.3.1 人工神經(jīng)網(wǎng)絡(luò)47-49
• 4.3.2 BP 網(wǎng)絡(luò)融合49-50
• 4.3.3 BP 網(wǎng)絡(luò)學(xué)習(xí)算法50-52
• 4.4 實(shí)驗(yàn)結(jié)果分析52-54
• 4.4.1 RMSE 測評52-53
• 4.4.2 Top N 測評53-54
• 4.5 本章小結(jié)54-55
• 第五章 總結(jié)與展望55-56
• 5.1 本文研究工作總結(jié)55
• 5.2 后期工作及展望55-56
• 致謝56-57
• 參考文獻(xiàn)57-60
• 附錄60-61
• 詳細(xì)摘要61-62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 張亮;柏林森;周濤;;基于跨電商行為的交叉推薦算法[J];電子科技大學(xué)學(xué)報(bào);2013年01期

2 王國霞;劉賀平;;個(gè)性化推薦系統(tǒng)綜述[J];計(jì)算機(jī)工程與應(yīng)用;2012年07期

3 單斌;李芳;;基于LDA話題演化研究方法綜述[J];中文信息學(xué)報(bào);2010年06期

4 馬雯雯;魏文晗;鄧一貴;;基于隱含語義分析的微博話題發(fā)現(xiàn)方法[J];計(jì)算機(jī)工程與應(yīng)用;2014年01期

  本文關(guān)鍵詞：基于BP網(wǎng)絡(luò)融合的電子商務(wù)個(gè)性化推薦模型研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：396186