本文選題：隨機(jī)森林 + 推薦算法　； 參考：《沈陽理工大學(xué)》2017年碩士論文

【摘要】：隨著社會經(jīng)濟(jì)的發(fā)展,電子商務(wù)已經(jīng)成為生活中不可缺少的一部分。面對電子商務(wù)中信息呈幾何級數(shù)式增長,用戶很難在海量的商品信息中快速準(zhǔn)確的找到自己感興趣的商品。個性化推薦算法就是這樣的背景下所創(chuàng)建。推薦算法改變了電子商務(wù)中從被動接收用戶請求到主動為其推薦的方式,同時也為用戶解決了從信息過載的網(wǎng)絡(luò)中找到自己喜歡物品的捷徑。本文使用的是基于改進(jìn)隨機(jī)森林模型的推薦算法。隨機(jī)森林算法是一種包含多個決策樹分類器的統(tǒng)計學(xué)習(xí)理論,采用了特征子空間來構(gòu)建模型,能較好的處理噪聲且避免發(fā)生過擬合。本文針對幾種典型的決策森林算法,闡述了其原理和算法的特點(diǎn),并從決策森林的構(gòu)建過程出發(fā),提出了一種改進(jìn)隨機(jī)森林方法。本文提出一種支持向量機(jī)和隨機(jī)森林算法融合的改進(jìn)隨機(jī)森林算法。隨機(jī)森林中基本弱分類器是決策樹,而決策樹在進(jìn)行節(jié)點(diǎn)分裂是選擇分類能力最強(qiáng)的某個屬性。本文在決策樹的屬性選擇中結(jié)合支持向量機(jī)算法,以特征變量的線性組合(支持向量)構(gòu)成的超平面進(jìn)行分裂,比單一屬性的分類能力更強(qiáng),從而在隨機(jī)森林決策樹的建造過程中得到了改進(jìn)。通過實(shí)驗(yàn)分析,充分說明了改進(jìn)隨機(jī)森林算法具有更高的準(zhǔn)確率。本論文使用的是阿里巴巴線上的真實(shí)用戶歷史行為數(shù)據(jù),通過挖掘用戶行為建立改進(jìn)隨機(jī)森林算法模型,最終得到了為用戶推薦商品列表。實(shí)驗(yàn)表明,在對用戶歷史行為數(shù)據(jù)的前提下,可以有效地對用戶未來購買商品進(jìn)行預(yù)測和推薦,對推薦算法發(fā)展具有重要意義。
[Abstract]:With the development of social economy, electronic commerce has become an indispensable part of life. In the face of the geometric growth of information in e-commerce, it is difficult for users to quickly and accurately find the goods they are interested in the mass of commodity information. Personalized recommendation algorithm is created in this context. Recommendation algorithm not only changes the way from passively receiving users' requests to actively recommending them in electronic commerce, but also solves the shortcut for users to find their favorite items from the information overload network. This paper uses a recommendation algorithm based on improved stochastic forest model. Stochastic forest algorithm is a kind of statistical learning theory which includes multiple decision tree classifiers. It uses feature subspace to construct the model, which can deal with noise and avoid over-fitting. In this paper, the principle and characteristics of several typical decision making forest algorithms are described, and an improved stochastic forest method is proposed based on the construction process of decision forest. In this paper, an improved stochastic forest algorithm based on support vector machine (SVM) and stochastic forest algorithm is proposed. The basic weak classifier is the decision tree in random forest, and the decision tree is the most powerful attribute in the node splitting. In this paper, the support vector machine (SVM) algorithm is combined in attribute selection of decision tree to split the hyperplane composed of linear combination of feature variables (support vector), which is stronger than the classification ability of single attribute. Therefore, the construction process of random forest decision tree is improved. The experimental results show that the improved stochastic forest algorithm has higher accuracy. This paper uses the real user history behavior data on the Alibaba line. By mining the user behavior, the improved stochastic forest algorithm model is established, and finally the list of recommended items for the user is obtained. The experimental results show that under the premise of user's historical behavior data, it can effectively predict and recommend the products purchased by users in the future, which is of great significance to the development of recommendation algorithm.
【學(xué)位授予單位】：沈陽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 祝奇?zhèn)?陳家琪;;一種改進(jìn)相似度計算方法的協(xié)同過濾推薦算法[J];信息技術(shù);2015年03期

2 鄧曉懿;金淳;韓慶平;j口良之;;基于情境聚類和用戶評級的協(xié)同過濾推薦模型[J];系統(tǒng)工程理論與實(shí)踐;2013年11期

3 梁宇;;移動網(wǎng)絡(luò)個性化信息推薦技術(shù)及影響因素分析[J];電子世界;2013年06期

4 董師師;黃哲學(xué);;隨機(jī)森林理論淺析[J];集成技術(shù);2013年01期

5 楊開睿;孟凡榮;梁志貞;;一種自適應(yīng)權(quán)值的PCA算法[J];計算機(jī)工程與應(yīng)用;2012年03期

6 錢志明;徐丹;;一種Adaboost快速訓(xùn)練算法[J];計算機(jī)工程;2009年20期

7 莊永龍;;基于項(xiàng)目特征模型的協(xié)同過濾推薦算法[J];計算機(jī)應(yīng)用與軟件;2009年05期

8 韓松來;張輝;周華平;;決策樹的屬性選取策略綜述[J];微計算機(jī)應(yīng)用;2007年08期

9 吳俊偉;孫國偉;張如;張媛;;基于SVD方法的INS傳遞對準(zhǔn)的可觀測性能分析[J];中國慣性技術(shù)學(xué)報;2005年06期

10 冀俊忠,沙志強(qiáng),劉椿年;貝葉斯網(wǎng)模型在推薦系統(tǒng)中的應(yīng)用研究[J];計算機(jī)工程;2005年13期

相關(guān)碩士學(xué)位論文 前6條

1 王美玲;基于加權(quán)信任關(guān)系和用戶相似性融合的社會化推薦算法研究[D];山東大學(xué);2015年

2 丁雪濤;基于協(xié)同關(guān)系主題回歸模型的推薦算法研究[D];清華大學(xué);2013年

3 魏歡;基于本體的影視個性化推薦算法研究[D];武漢理工大學(xué);2013年

4 張騰季;個性化混合推薦算法的研究[D];浙江大學(xué);2013年

5 鄭直;VOD系統(tǒng)應(yīng)用服務(wù)器中Web挖掘技術(shù)的研究與應(yīng)用[D];北京郵電大學(xué);2010年

6 楊芳;電子商務(wù)系統(tǒng)協(xié)同過濾推薦算法研究[D];河北工業(yè)大學(xué);2006年

，

本文編號：2109884