發(fā)布時間：2020-03-31 04:54

【摘要】：隨著時代的發(fā)展和科技的進步,電子商務(wù)逐漸成為了人們交易方式,使人們生活在大數(shù)據(jù)的環(huán)境中,面對海量的信息,導(dǎo)致用戶需要消耗大量的時間成本去挑選、辨別適合自身的產(chǎn)品,甚至無從選擇。這種現(xiàn)象的出現(xiàn)是必然,也是急需解決的情況。電子商務(wù)領(lǐng)域中需要有推薦系統(tǒng)智能地幫助用戶篩選出自身所需的信息,而評價推薦系統(tǒng)的優(yōu)良是由推薦算法決定的。由于目前協(xié)同過濾算推薦算法存在數(shù)據(jù)值單一、數(shù)據(jù)量稀少、實時性差、計算量大、推薦效率低等問題,論文在中央紅沃沃購電子商務(wù)企業(yè)協(xié)同過濾推薦算法的應(yīng)用研究基礎(chǔ)上,進行了進一步的研究,論文整體研究內(nèi)容如下:(1)針對傳統(tǒng)協(xié)同過濾算法中推薦效率低、計算量大的問題,提出了基于改進人工蜂群算法(Improved Artificial Bee Colony Algorithm,IABC)的 K-means 聚類協(xié)同推薦算法。論文通過初始化、適應(yīng)度函數(shù)兩方面來對人工蜂群算法(Artificial Bee Colony Algorithm.ABC)進行改進,與K-means迭代結(jié)合,得到更加精準的聚類效果,再并入?yún)f(xié)同過濾算法,完成推薦。通過實驗分析證明了基于IABC算法的K-means聚類協(xié)同過濾推薦效果比傳統(tǒng)協(xié)同過濾算法和基于K-means聚類的協(xié)同推薦算法更好,可有效地應(yīng)用在中央紅沃沃購電商平臺的推薦系統(tǒng)中。(2)針對傳統(tǒng)協(xié)同過濾算法中數(shù)據(jù)稀疏性、實時性差和數(shù)據(jù)值單一的問題,提出了基于情景感知的用戶興趣模型(Context-Awareness User Interest Model,CA-UI)。論文通過用戶的顯式行為和隱式行為記錄數(shù)據(jù),從而豐富了數(shù)據(jù)量,在一定程度緩解了數(shù)據(jù)稀疏性的問題,同時將用戶實時行為和情景因素引入,使數(shù)據(jù)不再是單一的布爾量化值,而是精準地表現(xiàn)了用戶對項目的關(guān)注程度,得到用戶-項目關(guān)注度矩陣,解決了實時性差和數(shù)據(jù)值單一的問題,有效地緩解了中央紅沃沃購電商平臺的用戶數(shù)據(jù)稀缺的問題。(3)運用基于IABC算法的K-means聚類協(xié)同推薦算法對用戶進行推薦,保證個性化推薦在推薦性能和推薦精度上的優(yōu)越性。通過實驗分析證明了基于IABC算法的K-means聚類協(xié)同過濾推薦算法在基于情景感知的用戶興趣模型(CA-UI)推薦方面具有更好效果,能夠有效地解決中央紅沃沃購電商平臺推薦系統(tǒng)存在的問題。論文針對協(xié)同過濾算法的不足,提出了基于情景感知的用戶興趣模型(CA-UI)和用戶聚類協(xié)同推薦算法。利用基于IABC算法的K-means聚類協(xié)同推薦算法對關(guān)注度矩陣中的用戶進行推薦。通過實驗表明基于CA-UI模型及用戶聚類協(xié)同推薦算法的推薦效果比傳統(tǒng)協(xié)同過濾推薦效果好,能夠更好地為中央紅沃沃購電商平臺的用戶提供個性化的推薦。
【圖文】：

２０１２年的１２倍；中國的數(shù)據(jù)量在２０２０年超過８ＺＢ，比２０１２年增長２２倍�？梢钥闯鲥义想m然擁有海量的信息，但用戶從中尋找對自己有用的信息難度更大，效率更低。目前信逡逑息超載的問題解決方案如圖２－１所示：逡逑翻店（黯灥覽）逡逑邐—■邐ｍｍｍｍ逡逑，邐￣邐￣＾邐茺目的邐r>逛逡逑解決信息過載問題邐…－逡逑邐邐邐逡逑邐邐目的明確邐電裔網(wǎng)姑（搜索引擎，信息襝索）逡逑—■邋＃ｒ邐邐邐邐—逡逑邐邐邋無目的邐個性化鹿薦逡逑圖２－１解決信息過載問題逡逑Ｆｉｇ．邋２－１邋Ｓｏｌｖｅｓ邋ｔｈｅ邋ｐｒｏｂｌｅｍ邋ｏｆ邋ｉｎｆｏｒｍａｔｉｏｎ邋ｏｖｅｒｌｏａｄ逡逑中央紅沃沃購電商平臺的推薦系統(tǒng)主要是利用用戶的顯式和隱式行為，深度挖掘用逡逑戶的潛在興趣，滿足用戶的個性化需求。推薦系統(tǒng)的精準度高和推薦速度快會使用戶對逡逑推薦系統(tǒng)產(chǎn)生信任感，保證了客戶對某平臺產(chǎn)生依賴感。所以，推薦系統(tǒng)不僅能為用戶逡逑提供個性化服務(wù)，還能與用戶建立長期穩(wěn)定的關(guān)系，提高用戶忠誠度，防止用戶流失［３２］。逡逑７逡逑

用戶逡逑推栛邋＞邐〉推｜３象逡逑圖２－２推薦系統(tǒng)通用模型逡逑Ｆｉｇ．邋２－２邋Ｒｅｃｏｍｍｅｎｄｅｄ邋ｓｙｓｔｅｍ邋ｇｅｎｅｒａｌ邋ｍｏｄｅｌ逡逑常規(guī)的推薦系統(tǒng)推薦流程如下：（１）利用用戶行為，建立用戶－項目矩陣；（２）逡逑通過項目的自身屬性信息，建立推薦項目模型；（３）通過挖掘用戶的偏好信息和項目逡逑的屬性信息，再利用推薦算法選取與用戶偏好匹配度高的項目，推薦給用戶。逡逑用戶邋邐？獲取用戶信息邐？建立用戶模型邐？模型更新逡逑邐＾推薦結(jié)果反饋或邐逡逑興趣需求變化逡逑邐提供推薦結(jié)果■＜——｜邋利用模型推薦逡逑圖２－３用戶建模過程逡逑Ｆｉｇ．邋２－３邋Ｕｓｅｒ邋ｍｏｄｅｌｉｎｇ邋ｐｒｏｃｅｓｓ逡逑評價推薦系統(tǒng)的優(yōu)劣主要在于推薦算法。目前常用的推薦算法，如下圖２－４所示：逡逑一基于內(nèi)容的推薦算法逡逑—ｒ————￣基于羯戶協(xié)同推薦算法逡逑■踩媝資遽邐基于協(xié)同過濾的酵算法＿逡逑邐邋邐Ｊ基于灥}擯刖ㄥ義匣旌賢萍鏊惴ㄥ義賢跡玻賜萍鏊惴ǚ擲噱義希疲椋紓澹玻村澹遙澹悖錚恚恚澹睿洌澹溴澹幔歟紓錚潁椋簦瑁礤澹悖歟幔螅螅椋媯椋悖幔簦椋錚鑠義希稿義，

本文編號：2608595