本文解決的是零售企業(yè)個(gè)性化推薦問題,利用超市企業(yè)用戶交易數(shù)據(jù)構(gòu)建RFMQ模型的用戶-商品評(píng)分矩陣,再利用關(guān)聯(lián)規(guī)則算法提取商品關(guān)聯(lián)關(guān)系,并將該關(guān)系與協(xié)同過濾模型融合。本研究通過零售企業(yè)交易數(shù)據(jù)集,對(duì)推薦模型進(jìn)行驗(yàn)證,證明本推薦模型具有較高的推薦能力,對(duì)于零售企業(yè)商品推廣營(yíng)銷具有借鑒和參考價(jià)值。 

【文章來源】：現(xiàn)代商業(yè). 2019,(24)

【文章頁數(shù)】：3 頁

【文章目錄】：
一、緒論
二、算法與模型基礎(chǔ)
    (一)基于矩陣分解模型的協(xié)同過濾算法
    (二)RFMQ模型介紹
    (三)關(guān)聯(lián)規(guī)則算法
三、推薦模型構(gòu)建
    (一)數(shù)據(jù)整理及清洗
    (二)RFMQ模型構(gòu)造用戶-商品評(píng)分矩陣
    (三)利用關(guān)聯(lián)規(guī)則挖掘商品關(guān)系
    (四)構(gòu)建推薦模型并優(yōu)化
四、實(shí)證研究
    (一)實(shí)驗(yàn)數(shù)據(jù)
    (二)數(shù)據(jù)清洗
    (三)評(píng)價(jià)指標(biāo)
    (四)對(duì)比實(shí)驗(yàn)
五、結(jié)論與啟示


【參考文獻(xiàn)】：
期刊論文
[1]基于聚類優(yōu)化的協(xié)同過濾個(gè)性化圖書推薦[J]. 田磊,任國(guó)恒,王偉.  圖書館學(xué)研究. 2017(08)
[2]結(jié)合置信度和SVD的協(xié)同過濾算法[J]. 張超,秦永彬,黃瑞章.  計(jì)算機(jī)與數(shù)字工程. 2015(05)
[3]基于標(biāo)簽和協(xié)同過濾的個(gè)性化資源推薦[J]. 蔡強(qiáng),韓東梅,李海生,胡耀光,陳誼.  計(jì)算機(jī)科學(xué). 2014(01)



本文編號(hào)：3207329