本文關(guān)鍵詞：基于用戶行為的電子商務(wù)推薦算法研究

  更多相關(guān)文章： 個性化推薦 電子商務(wù) 協(xié)同過濾 混合推薦

【摘要】：隨著互聯(lián)網(wǎng)行業(yè)的興起,衣食住行如今都可以由手機或電腦來結(jié)算,越來越多的交易從線下轉(zhuǎn)為線上,互聯(lián)網(wǎng)+已經(jīng)滲透到人們生活的方方面面,使人們的生活質(zhì)量得到了提高。與此同時,互聯(lián)網(wǎng)每時每刻也在產(chǎn)生海量數(shù)據(jù),人類歷史上也從未在短期內(nèi)接受到如此大量的數(shù)據(jù),這些數(shù)據(jù)里面隱藏著人們的購買意愿,輿論走向等等各類有價值的信息,如果利用好這些數(shù)據(jù),可以產(chǎn)生更加優(yōu)質(zhì)的服務(wù)。那么有哪些方法可以從這些數(shù)據(jù)里獲取到有價值的信息?顯然僅用人力是無法完成的,這就需要一些推薦算法來支持,本文首先介紹了一些現(xiàn)有的推薦算法,然后將用戶對商品的行為進(jìn)行分析。常用的推薦算法有基于內(nèi)容的推薦算法與協(xié)同過濾推薦算法�；趦�(nèi)容的推薦算法通過歷史數(shù)據(jù)生成用戶偏好文檔,并以偏好文檔為基準(zhǔn)與推薦項目比較,選出最相近的項目推薦給用戶;協(xié)同過濾推薦算法的基本思想是找到同一類用戶,然后用這類用戶的已有特征進(jìn)行推薦。協(xié)同過濾算法的提出基于以下這個假設(shè):如果用戶對一部分項目的評分類似,那么他們對其他項目的評分也大致相同。這兩種常見的推薦算法都有各自的優(yōu)點,但由于電子商務(wù)領(lǐng)域數(shù)據(jù)量龐大,不同用戶購買的商品差別也很大,產(chǎn)生的評分矩陣較為稀疏,因此需要對原算法進(jìn)行一些改進(jìn)。傳統(tǒng)的協(xié)同過濾算法中,需要每一個用戶對項目產(chǎn)生一個評分矩陣,在其他領(lǐng)域的應(yīng)用中評分矩陣可以很直觀的給出,例如若對商品的評分進(jìn)行預(yù)測,則評分矩陣就是用戶對商品的評價值,一般是從1到5的數(shù)字。而在電子商務(wù)應(yīng)用場景中用戶對項目的評分并不是那么直觀,用戶對商品的評分主要表現(xiàn)為用戶對商品產(chǎn)生的行為,但僅根據(jù)行為來進(jìn)行用戶行為來估計用戶對商品的評分還是不夠,有時用戶行為的頻率也能在一定程度上反映用戶對某個商品的偏好,因而也應(yīng)該給予較高的評分,所以頻率也應(yīng)該作為一個需要考慮的因素。本文綜合以上兩點提出了一種改進(jìn)的協(xié)同過濾算法。為了解決協(xié)同過濾算法的性能問題,提高推薦的準(zhǔn)確性,需要將其他推薦技術(shù)融合進(jìn)來,形成一個可以提供更高準(zhǔn)確率和召回率的推薦算法。一些研究表明,混合推薦策略比單一推薦策略的表現(xiàn)更好。本文用一個章節(jié)分析了混合推薦算法的可行性,并給出一種針對電子商務(wù)用戶行為模式的混合推薦算法。通過實驗驗證了該算法有著理想的召回率和準(zhǔn)確率。
【關(guān)鍵詞】：個性化推薦 電子商務(wù) 協(xié)同過濾 混合推薦
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-16
• 1.1 研究背景及意義11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究目的及意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-14
• 1.2.1 國內(nèi)研究現(xiàn)狀13-14
• 1.2.2 國外研究現(xiàn)狀14
• 1.3 本文的主要工作14-15
• 1.4 本文的組織結(jié)構(gòu)15-16
• 第2章 推薦系統(tǒng)概述16-26
• 2.1 推薦系統(tǒng)16
• 2.2 推薦系統(tǒng)的算法概述16-22
• 2.2.1 協(xié)同過濾推薦算法16-19
• 2.2.2 基于用戶-項目的Top-N推薦算法19
• 2.2.3 基于內(nèi)容的推薦算法19-20
• 2.2.4 基于圖結(jié)構(gòu)的推薦算法20-21
• 2.2.5 混合推薦算法21
• 2.2.6 其他推薦算法21-22
• 2.3 現(xiàn)有算法比較22-24
• 2.3.1 存在的問題22-23
• 2.3.2 現(xiàn)有算法的優(yōu)缺點23-24
• 2.4 推薦系統(tǒng)評價指標(biāo)24
• 2.5 本章小結(jié)24-26
• 第3章 基于用戶行為的推薦算法設(shè)計26-33
• 3.1 對用戶行為的分析26
• 3.2 對用戶行為與商品建模26
• 3.3 可行性推薦算法26-32
• 3.3.1 改進(jìn)的協(xié)同過濾算法27-29
• 3.3.2 K-means聚類算法29-31
• 3.3.3 SVD算法31-32
• 3.4 本章小結(jié)32-33
• 第4章 混合推薦算法的研究與設(shè)計33-39
• 4.1 混合推薦技術(shù)的可行性33
• 4.2 混合推薦系統(tǒng)的研究現(xiàn)狀33-34
• 4.3 對協(xié)同推薦算法的混合策略研究34-35
• 4.3.1 與基于內(nèi)容的推薦算法混合34-35
• 4.3.2 與K-means聚類算法混合35
• 4.4 基于用戶行為的混合推薦算法設(shè)計35-37
• 4.4.1 基本思想35-37
• 4.4.2 算法流程37
• 4.5 本章小結(jié)37-39
• 第5章 基于用戶行為推薦算法的實驗與分析39-47
• 5.1 實驗流程39
• 5.2 數(shù)據(jù)集介紹39-40
• 5.3 數(shù)據(jù)預(yù)處理40-41
• 5.3.1 劃分?jǐn)?shù)據(jù)集40-41
• 5.3.2 聚類處理41
• 5.4 實驗步驟41-43
• 5.4.1 提取特征41-42
• 5.4.2 歸一化處理42-43
• 5.4.3 調(diào)整參數(shù)43
• 5.5 評判指標(biāo)43-44
• 5.6 實驗結(jié)果44-46
• 5.7 本章小結(jié)46-47
• 第6章 結(jié)論47-49
• 6.1 全文總結(jié)47
• 6.2 工作展望47-49
• 參考文獻(xiàn)49-52
• 作者簡介52-53
• 致謝53

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應(yīng)用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：638448