本文關(guān)鍵詞：電子商務(wù)網(wǎng)站個(gè)性化推薦技術(shù)研究與實(shí)現(xiàn)

  更多相關(guān)文章： 電子商務(wù) 個(gè)性推薦 Web挖掘 聚類

【摘要】：隨著中國(guó)電子商務(wù)的不斷高速發(fā)展，全社會(huì)對(duì)電子商務(wù)的認(rèn)識(shí)已經(jīng)進(jìn)入一個(gè)新的層次。由于電子商務(wù)的優(yōu)勢(shì)特點(diǎn)，也引起了政府的廣泛關(guān)注，健康發(fā)展電子商務(wù)、拉動(dòng)中國(guó)經(jīng)濟(jì)發(fā)展已經(jīng)被提到政府的工作日程之中。而傳統(tǒng)的大眾化信息服務(wù)模式不能根據(jù)Web用戶的不同需求提供個(gè)性化的信息服務(wù)。為了提高電商競(jìng)爭(zhēng)力，，要充分挖掘Web用戶的潛在信息需要。 本文主要研究Web挖掘在電子商務(wù)網(wǎng)站推薦系統(tǒng)的應(yīng)用。首先研究一種合并式聚類算法生成頁面聚類。這種算法能夠隨時(shí)根據(jù)用戶的訪問模型、頁面結(jié)構(gòu)，頁面的內(nèi)容改變生成新的頁面聚類，以提供給推薦系統(tǒng)使用。然后給出了一個(gè)頁面推薦算法。推薦時(shí)要先計(jì)算當(dāng)前訪問節(jié)點(diǎn)以外的節(jié)點(diǎn)的推薦得分，然后設(shè)定一個(gè)最小推薦閾值，把聚類中的除了當(dāng)前節(jié)點(diǎn)以外的節(jié)點(diǎn)都放到堆棧里，然后使用廣度優(yōu)先遍歷的方法，把推薦得分小于最小推薦閾值的節(jié)點(diǎn)丟掉。那些推薦得分大于最小推薦閾值的節(jié)點(diǎn)就可以成為推薦集合。最后，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于上述算法的個(gè)性化推薦系統(tǒng)。 實(shí)驗(yàn)室環(huán)境下，推薦算法的覆蓋率和準(zhǔn)確率的初步實(shí)驗(yàn)結(jié)果表明：最小閾值在0.2到0.3之間，達(dá)到比較好的推薦效果；加載了推薦系統(tǒng)的APACHE服務(wù)器沒有明顯的延時(shí)，推薦系統(tǒng)綜合性能較好。
【關(guān)鍵詞】：電子商務(wù) 個(gè)性推薦 Web挖掘 聚類
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-9
• 第1章 引言9-15
• 1.1 問題的提出9
• 1.2 選題背景及意義9-10
• 1.3 個(gè)性化信息推薦研究現(xiàn)狀10-13
• 1.3.1 國(guó)內(nèi)外個(gè)性化信息推薦技術(shù)研究現(xiàn)狀：10-11
• 1.3.2 傳統(tǒng)個(gè)性化推薦方法11-13
• 1.4 本文的研究方法13-14
• 1.5 論文結(jié)構(gòu)安排14-15
• 第2章 個(gè)性化推薦相關(guān)技術(shù)研究15-36
• 2.1 個(gè)性化推薦技術(shù)的含義15
• 2.2 Web 挖掘15-18
• 2.2.1 Web 挖掘含義15-16
• 2.2.2 Web 信息的特點(diǎn)16-17
• 2.2.3 Web 挖掘的研究?jī)?nèi)容17-18
• 2.3 Web 個(gè)性化信息推薦一般流程18-21
• 2.4 基于 web 挖掘的個(gè)性化信息推薦方法分析21-29
• 2.4.1 基于關(guān)聯(lián)規(guī)則的個(gè)性化推薦21-24
• 2.4.2 基于序列模式的個(gè)性化推薦24-27
• 2.4.3 user-based 協(xié)作過濾的個(gè)性化推薦27-29
• 2.5 基于 Web 使用挖掘的數(shù)據(jù)預(yù)處理方法29-36
• 2.5.1 數(shù)據(jù)過濾29
• 2.5.2 用戶識(shí)別29-31
• 2.5.3 會(huì)話識(shí)別31-33
• 2.5.4 路徑補(bǔ)充33-36
• 第3章 基于頁面聚類的個(gè)性化推薦方法36-49
• 3.1 聚類概述36-40
• 3.1.1 聚類概念36
• 3.1.2 經(jīng)典聚類算法介紹36-37
• 3.1.3 聚類算法的評(píng)價(jià)37-40
• 3.2 使用傳統(tǒng)聚類方法進(jìn)行頁面聚類存在的問題40
• 3.3 一種新的聚類算法—合并聚類算法40-44
• 3.3.1 Web 用戶訪問興趣的表示方法41-42
• 3.3.2 合并聚類算法42-44
• 3.4 頁面推薦算法44-46
• 3.4.1 計(jì)算推薦得分44-45
• 3.4.2 推薦算法描述45-46
• 3.5 算法實(shí)驗(yàn)46-49
• 第4章 個(gè)性化推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)49-62
• 4.1 個(gè)性化推薦系統(tǒng)結(jié)構(gòu)49-50
• 4.2 個(gè)性化推薦系統(tǒng)工作流程50-55
• 4.2.1 網(wǎng)絡(luò)監(jiān)控52
• 4.2.2 準(zhǔn)備數(shù)據(jù)52-53
• 4.2.3 更新訪問信息53-55
• 4.2.4 頁面聚類55
• 4.2.5 產(chǎn)生推薦頁面55
• 4.3 個(gè)性化推薦系統(tǒng)的特點(diǎn)55-56
• 4.4 個(gè)性化推薦系統(tǒng)實(shí)驗(yàn)室測(cè)試56-61
• 4.4.1 Apache 簡(jiǎn)介56-57
• 4.4.2 Apache 服務(wù)器的安裝57-58
• 4.4.3 Apache 模塊定義58-59
• 4.4.4 實(shí)驗(yàn)配置59-60
• 4.4.5 測(cè)試響應(yīng)時(shí)間60-61
• 4.5 實(shí)驗(yàn)效果分析61-62
• 第5章 總結(jié)與展望62-63
• 參考文獻(xiàn)63-66
• 致謝66-67
• 個(gè)人簡(jiǎn)歷67

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前8條

1 張沫;陳基漓;阮百堯;;Web日志挖掘中數(shù)據(jù)預(yù)處理技術(shù)的研究[J];計(jì)算機(jī)與數(shù)字工程;2007年09期

2 賀玲;吳玲達(dá);蔡益朝;;數(shù)據(jù)挖掘中的聚類算法綜述[J];計(jì)算機(jī)應(yīng)用研究;2007年01期

3 潘宇;林鴻飛;楊志豪;;基于用戶聚類的電子商務(wù)推薦系統(tǒng)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年04期

4 韋相;;基于隱馬爾可夫模型的Web用戶訪問序列挖掘[J];紅河學(xué)院學(xué)報(bào);2013年02期

5 何潔;;基于Web使用數(shù)據(jù)挖掘的個(gè)性化推薦系統(tǒng)設(shè)計(jì)[J];數(shù)字技術(shù)與應(yīng)用;2012年07期

6 曾姣艷;;Web挖掘的關(guān)聯(lián)規(guī)則優(yōu)化算法[J];三明學(xué)院學(xué)報(bào);2013年02期

7 王濤偉;楊愛民;;加權(quán)關(guān)聯(lián)規(guī)則研究及其在個(gè)性化推薦系統(tǒng)中的應(yīng)用[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2007年02期

8 楊靜;;電子商務(wù)個(gè)性化推薦系統(tǒng)的構(gòu)建[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2012年28期

本文編號(hào)：622046