本文關(guān)鍵詞：基于支持向量機(jī)模型的電子商務(wù)推薦算法研究

  更多相關(guān)文章： 電子商務(wù) 推薦算法 支持向量機(jī) 用戶特征 推薦模型

【摘要】：隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的發(fā)展,電子商務(wù)系統(tǒng)為用戶提供了越來(lái)越多的選擇,與此同時(shí)它的結(jié)構(gòu)也變得愈加復(fù)雜,這就會(huì)造成用戶在大量的商品信息空間中迷失,無(wú)法順利找到自己想要的商品。于是電子商務(wù)推薦系統(tǒng)應(yīng)運(yùn)而生,它可以與用戶進(jìn)行交流,從而幫助用戶找到他們所需的商品。本文除了對(duì)現(xiàn)有的電子商務(wù)推薦算法進(jìn)行總結(jié)外還針對(duì)用戶類型的不同提出了兩種基于模型的推薦算法,從而可以適當(dāng)解決原始推薦系統(tǒng)中的數(shù)據(jù)稀疏性問(wèn)題、系統(tǒng)可擴(kuò)展性問(wèn)題及冷啟動(dòng)問(wèn)題。 首先,由于支持向量機(jī)技術(shù)在處理高維稀疏數(shù)據(jù)分類問(wèn)題中的優(yōu)越性能,本文以其為基礎(chǔ)分別從基于用戶和基于項(xiàng)目?jī)煞N角度建立了簡(jiǎn)潔的離線分類模型并指導(dǎo)預(yù)測(cè)。同時(shí)研究了標(biāo)簽閾值的選取以及數(shù)據(jù)集稀疏度對(duì)推薦算法的影響等。實(shí)驗(yàn)結(jié)果顯示該算法準(zhǔn)確率較高,能夠在一定程度上緩解數(shù)據(jù)的稀疏性問(wèn)題。由于要用到大量的用戶評(píng)分?jǐn)?shù)據(jù),所以該算法適用于具有較多購(gòu)物記錄的老用戶。另外該算法只需一次建立模型,之后每次只需調(diào)入該模型即可,所以具有一定的可擴(kuò)展性。 其次,由于熱門(mén)商品的重要性,本文還針對(duì)熱門(mén)商品提出了一種基于用戶特征的支持向量機(jī)回歸推薦算法。算法通過(guò)使用熱門(mén)商品客戶群體的個(gè)人屬性和行為特征數(shù)據(jù)來(lái)構(gòu)建基于支持向量機(jī)的回歸模型,從而指導(dǎo)預(yù)測(cè)用戶對(duì)商品的評(píng)分。該回歸算法只針對(duì)評(píng)分密集的熱門(mén)商品建模從而有效的克服了數(shù)據(jù)稀疏性問(wèn)題。實(shí)驗(yàn)與傳統(tǒng)協(xié)同過(guò)濾算法進(jìn)行了比較,結(jié)果顯示該方法可以有效降低平均絕對(duì)誤差,推薦效果顯著。模型建立過(guò)程中還使用了一種參數(shù)優(yōu)化選擇方法,能夠明顯提高回歸效果。另外由于該算法使用的是用戶屬性及行為特征數(shù)據(jù),所以能夠在一定程度上解決冷啟動(dòng)問(wèn)題。其適用于對(duì)購(gòu)物記錄較少的新用戶進(jìn)行推薦。 最后,本文結(jié)合所提的推薦算法給出了推薦系統(tǒng)的原型設(shè)計(jì),并給出了整個(gè)推薦系統(tǒng)的系統(tǒng)框架、數(shù)據(jù)存儲(chǔ)方式和功能模塊圖,這種原型可以更好的滿足不同類型用戶的需求。
【關(guān)鍵詞】：電子商務(wù) 推薦算法 支持向量機(jī) 用戶特征 推薦模型
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-13
• 1.1 電子商務(wù)推薦系統(tǒng)的產(chǎn)生9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀9-11
• 1.2.1 國(guó)外研究現(xiàn)狀10
• 1.2.2 國(guó)內(nèi)研究現(xiàn)狀10-11
• 1.3 本文研究?jī)?nèi)容11-12
• 1.4 本文組織結(jié)構(gòu)12-13
• 2 電子商務(wù)推薦系統(tǒng)相關(guān)技術(shù)13-21
• 2.1 總體概述13-17
• 2.1.1 系統(tǒng)結(jié)構(gòu)13-15
• 2.1.2 推薦過(guò)程15
• 2.1.3 系統(tǒng)分類15-16
• 2.1.4 系統(tǒng)意義16
• 2.1.5 面臨的挑戰(zhàn)16-17
• 2.2 推薦算法17-18
• 2.2.1 協(xié)同過(guò)濾算法17
• 2.2.2 基于內(nèi)容的算法17-18
• 2.2.3 混合推薦算法18
• 2.3 評(píng)價(jià)標(biāo)準(zhǔn)18-20
• 2.3.1 平均絕對(duì)誤差18-19
• 2.3.2 平均平方誤差19
• 2.3.3 準(zhǔn)確率和召回率19
• 2.3.4 預(yù)測(cè)時(shí)間19
• 2.3.5 覆蓋率19-20
• 2.4 本章小結(jié)20-21
• 3 基于支持向量機(jī)分類的電子商務(wù)推薦算法21-31
• 3.1 算法提出的背景21-22
• 3.2 支持向量機(jī)分類原理22-24
• 3.3 算法描述24-26
• 3.4 實(shí)驗(yàn)與結(jié)果分析26-30
• 3.5 本章小結(jié)30-31
• 4 基于支持向量機(jī)回歸的電子商務(wù)推薦算法31-41
• 4.1 算法提出的背景31-32
• 4.2 支持向量機(jī)回歸原理32-33
• 4.3 算法描述33-35
• 4.4 實(shí)驗(yàn)與結(jié)果分析35-40
• 4.5 本章小結(jié)40-41
• 5 推薦系統(tǒng)原型設(shè)計(jì)41-55
• 5.1 設(shè)計(jì)原則41-42
• 5.2 概要設(shè)計(jì)42-45
• 5.2.1 功能結(jié)構(gòu)42-43
• 5.2.2 整體框架43-44
• 5.2.3 推薦流程44-45
• 5.3 模塊設(shè)計(jì)45-51
• 5.3.1 商品信息模塊46-47
• 5.3.2 用戶信息模塊47-50
• 5.3.3 分析過(guò)濾模塊50-51
• 5.3.4 推薦實(shí)施模塊51
• 5.4 系統(tǒng)適用性51-52
• 5.5 用戶體驗(yàn)的重要性52
• 5.6 本章小結(jié)52-53
• 結(jié)論53-55
• 參考文獻(xiàn)55-58
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況58-59
• 致謝59-60

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 祁亨年;支持向量機(jī)及其應(yīng)用研究綜述[J];計(jì)算機(jī)工程;2004年10期

2 余力,劉魯;電子商務(wù)個(gè)性化推薦研究[J];計(jì)算機(jī)集成制造系統(tǒng);2004年10期

3 呂成戍;王維國(guó);丁永健;;基于KNN-SVM的混合協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)應(yīng)用研究;2012年05期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 鄧愛(ài)林;電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2003年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 張娜;電子商務(wù)環(huán)境下的個(gè)性化信息推薦服務(wù)及應(yīng)用研究[D];合肥工業(yè)大學(xué);2007年

，

本文編號(hào)：741614