本文關(guān)鍵詞：電子商務(wù)推薦系統(tǒng)的關(guān)聯(lián)聚類協(xié)同過濾算法研究

  更多相關(guān)文章： 數(shù)據(jù)挖掘 推薦系統(tǒng) 關(guān)聯(lián)規(guī)則 協(xié)同過濾

【摘要】：隨著互聯(lián)網(wǎng)技術(shù)的革新,電子商務(wù)也隨著迅猛發(fā)展,網(wǎng)上購物已經(jīng)成為一種新的購物形式。伴隨著電子商務(wù)的發(fā)展,網(wǎng)上商品的種類也日益繁多,電子商務(wù)系統(tǒng)結(jié)構(gòu)日益復(fù)雜。在如此之多的商品中如果選取滿意的商品就成為了一個(gè)值得關(guān)注的問題,買家選取滿意的商品十分困難,賣家想在競爭激烈的電商中保留用戶、提高在用戶中的形象愈發(fā)困難。如何為不同的用戶推薦其喜好的商品、如何提高賣家的信譽(yù)與形象已經(jīng)成為電子商務(wù)研究的熱點(diǎn)。本論文主要對關(guān)聯(lián)聚類協(xié)同過濾算法以及電子商務(wù)推薦系統(tǒng)進(jìn)行研究。首先,分析傳統(tǒng)的協(xié)同過濾算法的缺陷,組合數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則算法與協(xié)同過濾算法,提出基于關(guān)聯(lián)聚類的協(xié)同過濾推薦算法。算法首先把項(xiàng)目采用關(guān)聯(lián)規(guī)則技術(shù)劃分為不同的類別,然后把對該類別評價(jià)過的所有用戶的評價(jià)信息映射到這些類別中,分析參數(shù),形成聚類了的用戶-項(xiàng)目矩陣。然后,在聚類內(nèi)部使用協(xié)同過濾算法,形成商品推薦。然后,根據(jù)前面的分析設(shè)計(jì),實(shí)現(xiàn)了關(guān)聯(lián)聚類的協(xié)同過濾算法,并使用實(shí)驗(yàn)數(shù)據(jù)證明算法的有效性。同時(shí),論文研究了電子商務(wù)推薦系統(tǒng)的模型,分析其工作流程,結(jié)合本系統(tǒng)的需求,參照軟件開發(fā)過程與規(guī)范,對系統(tǒng)進(jìn)行需求分析、業(yè)務(wù)描述、系統(tǒng)的架構(gòu)設(shè)計(jì)和數(shù)據(jù)庫設(shè)計(jì),并將系統(tǒng)分為前臺服務(wù)與后臺管理兩大模塊。然后針對本系統(tǒng)的實(shí)現(xiàn)重點(diǎn),對多場景推薦模塊以及模式庫創(chuàng)建模塊進(jìn)行了問題描述、模型設(shè)計(jì)以及實(shí)現(xiàn),分別對前期設(shè)計(jì)的系統(tǒng)各個(gè)功能模塊進(jìn)行代碼實(shí)現(xiàn)以及功能的測試。在關(guān)聯(lián)聚類協(xié)同過濾算法基礎(chǔ)上,本文的電子商務(wù)推薦系統(tǒng)根據(jù)用戶的不同操作場景,利用關(guān)聯(lián)規(guī)則、協(xié)同過濾推薦等技術(shù)對用戶進(jìn)行多場景的商品推薦。本文不但在理論上對數(shù)據(jù)挖掘、推薦技術(shù)進(jìn)行一定的研究,同時(shí)對現(xiàn)實(shí)中的增加用戶信譽(yù)度、增加賣家銷售額等問題有一定指導(dǎo)作用。因此,本文所研究的課題具有一定的理論與實(shí)際意義。
【關(guān)鍵詞】：數(shù)據(jù)挖掘 推薦系統(tǒng) 關(guān)聯(lián)規(guī)則 協(xié)同過濾
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP311.13;TP391.3
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-15
• 1.1 研究背景10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-12
• 1.3 本文的研究內(nèi)容12-13
• 1.4 本文的組織結(jié)構(gòu)13-14
• 1.5 本章小結(jié)14-15
• 第2章 數(shù)據(jù)挖掘技術(shù)綜述15-22
• 2.1 數(shù)據(jù)挖掘概述15-17
• 2.1.1 數(shù)據(jù)挖掘定義15
• 2.1.2 數(shù)據(jù)挖掘過程15-17
• 2.2 關(guān)聯(lián)規(guī)則挖掘17-20
• 2.2.1 Apriori算法簡介17-18
• 2.2.2 Apriori算法流程18-20
• 2.3 聚類挖掘20-21
• 2.3.1 K-Means算法20-21
• 2.4 本章小結(jié)21-22
• 第3章 相關(guān)推薦技術(shù)綜述22-31
• 3.1 協(xié)同過濾推薦技術(shù)綜述22-23
• 3.2 基于用戶的協(xié)同過濾推薦技術(shù)23-28
• 3.2.1 數(shù)據(jù)表示25
• 3.2.2 用戶相似性計(jì)算25-27
• 3.2.3 產(chǎn)生推薦27-28
• 3.3 基于項(xiàng)目的協(xié)同過濾推薦技術(shù)28-29
• 3.4 基于內(nèi)容的推薦技術(shù)29-30
• 3.5 本章小結(jié)30-31
• 第4章 關(guān)聯(lián)聚類協(xié)同過濾算法(ACCF)31-41
• 4.1 傳統(tǒng)的協(xié)同過濾算法問題分析31-34
• 4.2 關(guān)聯(lián)聚類的協(xié)同過濾算法34-37
• 4.2.1 提出依據(jù)34-35
• 4.2.2 算法設(shè)計(jì)35-37
• 4.3 實(shí)驗(yàn)結(jié)果與分析37-40
• 4.3.1 數(shù)據(jù)集37
• 4.3.2 評價(jià)標(biāo)準(zhǔn)37-38
• 4.3.3 實(shí)驗(yàn)結(jié)果分析38-40
• 4.4 本章小結(jié)40-41
• 第5章 基于ACCF的電子商務(wù)推薦系統(tǒng)實(shí)現(xiàn)41-68
• 5.1 電子商務(wù)推薦系統(tǒng)綜述41
• 5.2 電子商務(wù)推薦系統(tǒng)的模型分析41-42
• 5.3 需求分析42-47
• 5.3.1 需求描述42-43
• 5.3.2 業(yè)務(wù)描述43-44
• 5.3.3 用例分析44-47
• 5.4 總體設(shè)計(jì)47-50
• 5.4.1 推薦系統(tǒng)架構(gòu)設(shè)計(jì)47-49
• 5.4.2 包結(jié)構(gòu)設(shè)計(jì)49-50
• 5.5 詳細(xì)設(shè)計(jì)50-57
• 5.5.1 模塊設(shè)計(jì)51-54
• 5.5.2 數(shù)據(jù)庫設(shè)計(jì)54-57
• 5.6 多場景推薦模塊設(shè)計(jì)57-66
• 5.7 本章小結(jié)66-68
• 第6章 總結(jié)與展望68-70
• 6.1 論文總結(jié)68
• 6.2 不足與展望68-70
• 參考文獻(xiàn)70-74
• 致謝74

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 郝進(jìn)義;;數(shù)據(jù)庫設(shè)計(jì)規(guī)范及設(shè)計(jì)技巧研究[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2012年12期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 郁雪;基于協(xié)同過濾技術(shù)的推薦方法研究[D];天津大學(xué);2009年

2 劉青文;基于協(xié)同過濾的推薦算法研究[D];中國科學(xué)技術(shù)大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 楊帆;基于數(shù)據(jù)挖掘的電子商務(wù)個(gè)性化推薦技術(shù)研究[D];西安電子科技大學(xué);2008年

，

本文編號：899619