本文關(guān)鍵詞：基于復(fù)雜網(wǎng)絡(luò)的B2C電子商務(wù)推薦系統(tǒng)研究

  更多相關(guān)文章： 推薦系統(tǒng) B2C電子商務(wù) 推薦算法 二部圖

【摘要】：在信息爆炸的時代，如何找到一種準確、高效的方法，使用戶能快速、準確地定位到自己所需要的信息，引起了越來越多的學(xué)者的關(guān)注。推薦系統(tǒng)應(yīng)運而生，成為了當前解決信息過載問題的非常有潛力的方法。 本文特別選取了B2C電子商務(wù)作為研究和應(yīng)用的對象，因為推薦系統(tǒng)最典型的應(yīng)用就是B2C電子商務(wù)領(lǐng)域，而且具有良好的發(fā)展和應(yīng)用前景。本文在分析現(xiàn)有的推薦算法的基礎(chǔ)上，從B2C電子商務(wù)推薦系統(tǒng)的基本需求出發(fā)，總結(jié)了現(xiàn)有推薦技術(shù)對B2C電子商務(wù)網(wǎng)站的適用性，提出了基于二部圖B2C電子商務(wù)推薦模型，并設(shè)計了該模型上的推薦算法。此模型包括在線模塊和離線模塊兩個部分。在離線模塊中對用戶結(jié)點進行了聚類處理，形成了相對較少的用戶類結(jié)點。用戶類結(jié)點在在線模塊中與原有的產(chǎn)品結(jié)點形成了新的二部圖，然后再利用基于二部圖的資源擴散算法完成推薦。 離線模塊的數(shù)據(jù)處理與用戶結(jié)點的聚類處理都大大的降低了在線系統(tǒng)的計算量，系統(tǒng)的效率與速度都會有較大的提高。最后利用Amazon和天貓某品牌店的采集數(shù)據(jù)進行實驗。與協(xié)同過濾算法比較在準確率、召回率、多樣性三個算法指標上，都取得了更好的效果。
【關(guān)鍵詞】：推薦系統(tǒng) B2C電子商務(wù) 推薦算法 二部圖
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TP391.3
【目錄】：

• 摘要3-4
• ABSTRACT4-5
• 目錄5-7
• 第一章 緒論7-15
• 1.1 選題背景與研究意義7-8
• 1.2 國內(nèi)外研究現(xiàn)狀8-13
• 1.2.1 推薦系統(tǒng)研究現(xiàn)狀8-12
• 1.2.2 復(fù)雜網(wǎng)絡(luò)在推薦系統(tǒng)中的應(yīng)用12-13
• 1.3 本文的主要工作與組織結(jié)構(gòu)13-15
• 第二章 推薦系統(tǒng)相關(guān)算法概述15-27
• 2.1 協(xié)同過濾推薦算法15-18
• 2.1.1 基于記憶的協(xié)同過濾算法15-17
• 2.1.2 基于模型的協(xié)同過濾算法17-18
• 2.2 基于內(nèi)容的推薦算法18-19
• 2.3 混合推薦算法19-21
• 2.3.1 組合獨立的推薦結(jié)果20
• 2.3.2 協(xié)同過濾中加入基于內(nèi)容的推薦算法20
• 2.3.3 基于內(nèi)容的推薦算法中加入?yún)f(xié)同過濾算法20
• 2.3.4 聯(lián)合的基于內(nèi)容推薦和協(xié)同過濾的推薦模型20-21
• 2.4 基于圖的推薦算法21-25
• 2.4.1 復(fù)雜網(wǎng)絡(luò)介紹21-23
• 2.4.2 二部圖簡介23
• 2.4.3 基于二部圖的推薦算法23-25
• 2.5 本章小結(jié)25-27
• 第三章 B2C 電子商務(wù)推薦需求分析27-35
• 3.1 B2C 電子商務(wù)推薦過程描述27-28
• 3.2 B2C 電子商務(wù)推薦需求分析28-30
• 3.2.1 B2C 電子商務(wù)推薦中用戶需求分析28-30
• 3.2.2 B2C 電子商務(wù)推薦中商家需求分析30
• 3.3 現(xiàn)有推薦技術(shù)對 B2C 電子商務(wù)推薦需求滿足分析30-33
• 3.3.1 基于內(nèi)容推薦31
• 3.3.2 協(xié)同過濾技術(shù)31
• 3.3.3 基于用戶統(tǒng)計信息的推薦31-32
• 3.3.4 基于知識的推薦32
• 3.3.5 基于數(shù)據(jù)挖掘的推薦32
• 3.3.6 現(xiàn)有推薦技術(shù)對 B2C 電子商務(wù)推薦需求滿足對比32-33
• 3.4 本章小結(jié)33-35
• 第四章 基于二部圖的 B2C 電子商務(wù)推薦模型35-45
• 4.1 模型的輸入與輸出35-37
• 4.1.1 輸入數(shù)據(jù)36-37
• 4.1.2 輸出數(shù)據(jù)37
• 4.2 數(shù)據(jù)預(yù)處理37-39
• 4.3 商品推薦39-40
• 4.4 推薦系統(tǒng)的結(jié)構(gòu)40-42
• 4.4.1 組合式結(jié)構(gòu)40-41
• 4.4.2 分離式結(jié)構(gòu)41-42
• 4.5 基于二部圖的 B2C 電子商務(wù)推薦模型模塊功能分析42-44
• 4.5.1 離線模塊42-43
• 4.5.2 在線模塊43
• 4.5.3 離線模塊與在線模塊比較43-44
• 4.6 本章小結(jié)44-45
• 第五章 基于二部圖的 B2C 電子商務(wù)推薦算法45-57
• 5.1 引言45
• 5.2 聚類在基于二部圖的 B2C 電子商務(wù)推薦算法中的應(yīng)用45-49
• 5.2.1 離線的用戶聚類算法45-48
• 5.2.2 基于聚類的二部圖推薦算法48-49
• 5.3 推薦算法的評價指標49-50
• 5.4 數(shù)據(jù)驗證與數(shù)據(jù)分析50-55
• 5.4.1 實驗過程50-52
• 5.4.2 準確率指標實驗及結(jié)果分析52-53
• 5.4.3 多樣性指標實驗及結(jié)果分析53-54
• 5.4.4 召回率指標實驗結(jié)果及數(shù)據(jù)分析54-55
• 5.5 本章小結(jié)55-57
• 第六章 總結(jié)57-59
• 6.1 本文工作總結(jié)57
• 6.2 下一步工作57-59
• 致謝59-61
• 參考文獻61-67
• 讀研期間研究成果67-68

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李濤;王建東;葉飛躍;;推薦系統(tǒng)中一種新的相似性計算方法[J];計算機科學(xué);2007年08期

2 尚明生;相關(guān)任務(wù)圖的一種有效并行調(diào)度算法[J];計算機工程;2005年14期

3 陳婷;韓偉力;楊珉;;基于隱私保護的個性化推薦系統(tǒng)[J];計算機工程;2009年08期

4 胡迎松;韓蘋;陳中新;;一個基于Agent的個性化推薦系統(tǒng)[J];計算機應(yīng)用研究;2006年04期

5 蔣國瑞;青海;黃梯云;;一種柔性的電子商務(wù)推薦系統(tǒng)[J];計算機應(yīng)用研究;2009年03期

6 鄧愛林,朱揚勇,施伯樂;基于項目評分預(yù)測的協(xié)同過濾推薦算法[J];軟件學(xué)報;2003年09期

7 張光衛(wèi);李德毅;李鵬;康建初;陳桂生;;基于云模型的協(xié)同過濾推薦算法[J];軟件學(xué)報;2007年10期

8 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學(xué)報;2009年02期

9 周濤,柏文潔,汪秉宏,劉之景,嚴鋼;復(fù)雜網(wǎng)絡(luò)研究概述[J];物理;2005年01期

10 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進展[J];自然科學(xué)進展;2009年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 劉倩;基于客戶關(guān)系發(fā)展階段的推薦系統(tǒng)特性需求分析[D];華中科技大學(xué);2011年

2 賈春曉;基于復(fù)雜網(wǎng)絡(luò)的推薦算法和合作行為研究[D];中國科學(xué)技術(shù)大學(xué);2011年

3 單友成;CRM中模糊數(shù)據(jù)挖掘及客戶生命周期價值與客戶滿意度研究[D];天津大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 陳艷;基于數(shù)據(jù)挖掘的卷煙配方質(zhì)量SPA研究[D];中國海洋大學(xué);2010年

2 林杰;基于粒子群優(yōu)化的加權(quán)樸素貝葉斯分類研究[D];云南財經(jīng)大學(xué);2011年

3 李偉;基于關(guān)聯(lián)規(guī)則B2C圖書銷售網(wǎng)站個性化推薦系統(tǒng)研究[D];對外經(jīng)濟貿(mào)易大學(xué);2007年

4 張亞偉;基于移動agent的分布式個性化推薦系統(tǒng)研究[D];廣西大學(xué);2007年

5 裘立波;基于協(xié)同過濾的信息商品個性化捆綁推薦研究[D];合肥工業(yè)大學(xué);2009年

6 羅兆波;面向社會網(wǎng)絡(luò)分析的數(shù)據(jù)挖掘方法研究[D];浙江大學(xué);2010年

7 李向陽;基于支持向量機的情報數(shù)據(jù)分類挖掘[D];西安電子科技大學(xué);2009年

，

本文編號：807896