隨著電子商務(wù)的不斷發(fā)展,網(wǎng)購用戶規(guī)模日益增長,越來越多的學(xué)者投入到對電商平臺的推薦算法研究。雖然取得了一定的成果,但仍有一些遺留問題亟需解決,如數(shù)據(jù)稀疏性、冷啟動、推薦精度低等。本文首先闡述了本課題的研究意義和推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀,并對常用的推薦算法的理論基礎(chǔ)、算法流程進行了詳細的闡述,并分析其優(yōu)缺點,總結(jié)目前技術(shù)存在的缺陷,同時還闡述了推薦算法的常用評測指標。為下文中改進算法提供理論基礎(chǔ)。針對傳統(tǒng)協(xié)同過濾推薦算法冷啟動問題,本文提出一種基于標簽權(quán)值的改進推薦算法。首先建立用戶-商品-標簽矩陣,對標簽進行量化,構(gòu)建新的用戶喜好模型,引入標簽權(quán)重的概念,引入詞頻-逆文檔頻率（TF-IDF）算法計算不同用戶的標簽權(quán)重,根據(jù)標簽權(quán)重建立新的相似度計算方法。對相似度計算公式里的調(diào)節(jié)因子和用戶近鄰集合k的不同取值進行實驗分析,最終得到推薦結(jié)果最精確時的最佳取值;并且將本文提出的算法與其他算法實驗對比,根據(jù)實驗結(jié)果得出本章提出的算法能得到更好的近鄰集合,從而使得推薦結(jié)果更準確,并一定程度上緩解了冷啟動問題。針對用戶評分矩陣中的矩陣分解算法進行研究,本文提出一種基于社交好友關(guān)系的奇異值分解模型。... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

網(wǎng)民的規(guī)模網(wǎng)絡(luò)使用者數(shù)量龐大，所以每天都產(chǎn)生巨量的數(shù)據(jù)，經(jīng)過時間的積累和技術(shù)的突破，我[3]

穎的、用戶自身需求的商品推薦給他們，商品推薦系統(tǒng)因此在這樣的背景下產(chǎn)生了。網(wǎng)購用戶的數(shù)量隨著網(wǎng)購環(huán)境[4]的改善日益增加，這促使了越來越多的學(xué)者紛紛投入到對電商平臺的推薦系統(tǒng)[5]研究中。各大電商平依據(jù)用戶的歷史行為記錄[6]如搜索、收藏加購、瀏覽詳情頁、分享好友等行為開發(fā)了推薦系統(tǒng)，向用戶推薦之前買過的類似產(chǎn)品或者有潛在興趣的產(chǎn)品，從而去滿足用戶的需求，提高購買欲[7]。協(xié)助消費用戶從大量信息中找到符合需求的產(chǎn)品，幫助賣家提升商品的關(guān)注度，這是推薦系統(tǒng)要解決的核心問題。推薦系統(tǒng)的基本思想如下圖1.2所示;圖1.2推薦系統(tǒng)基本思想圖在國內(nèi)大型的互聯(lián)網(wǎng)公司一般都會應(yīng)用推薦系統(tǒng)。分析和研究用戶的行為數(shù)據(jù)，挖掘出用戶和產(chǎn)品之間的關(guān)聯(lián)信息，并找出影響用戶對產(chǎn)品的喜好度的因素，這是推薦系統(tǒng)的核心工作。推薦系統(tǒng)[8]的作用相當(dāng)于導(dǎo)購人員，在了解買家的要求后，幫其快速找到滿足其需求的產(chǎn)品，能增強用戶的體驗感信任度，增強平臺的核心競爭力，增加產(chǎn)品的銷售額[9]。電商平臺的推薦系統(tǒng)[10]起到為用戶尋找想要購買的產(chǎn)品并推送，推薦系統(tǒng)需要具備的功能如下[11]：

南京郵電大學(xué)碩士研究生學(xué)位論文第二章相關(guān)技術(shù)研究5第二章相關(guān)技術(shù)研究上一章介紹了電商平臺用戶推薦系統(tǒng)的背景及研究意義，以及課題的章節(jié)安排，本章將對課題涉及相關(guān)電商平臺的推薦技術(shù)進行研究，以及這些技術(shù)的國內(nèi)外研究現(xiàn)狀，通過分析找到目前技術(shù)所存在的問題，為后續(xù)章節(jié)做鋪墊。推薦系統(tǒng)研究2.1.1基于內(nèi)容的推薦方法基于內(nèi)容的推薦技術(shù)是依據(jù)商品內(nèi)容的屬性，找到商品的內(nèi)在聯(lián)系，通過抽取商品的特征值計算相似度。然后根據(jù)用戶過去的行為記錄，推薦類似的商品給用戶。比如一個商品，有用戶評論、熱賣、商品風(fēng)格、用戶標簽等等，都可以算是商品特征。我們可以從這些標簽中提取出商品的特征向量。以內(nèi)容為核心的推薦算法(ContentbasedRecommendations)是以相似度來衡量物品和用戶行為數(shù)據(jù)的，將最能吸引用戶興趣的物品集呈現(xiàn)給用戶[19]。系統(tǒng)分析用戶購買過、瀏覽過的產(chǎn)品的屬性[20]，再為其推薦與其有最高相似度的產(chǎn)品。下圖2.1是該推薦系統(tǒng)具體案例。首先對數(shù)據(jù)進行建模，之后通過電影的屬性值求解電影之間的相似度，因為電影A、C的標簽都是“愛情、浪漫”，則認為A、C相似[21];最后生成推薦結(jié)果，用戶A喜愛電影A，因此推薦電影C給用戶A。圖2.1基于內(nèi)容推薦

【參考文獻】：
期刊論文
[1]中國互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布第43次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》[J].   國家圖書館學(xué)刊. 2019(02)
[2]個性化推薦特征對消費者網(wǎng)絡(luò)購買動機的影響[J]. 肖娥芳.  商業(yè)經(jīng)濟研究. 2018(24)
[3]通過評分特征優(yōu)化基于K近鄰的協(xié)同過濾算法[J]. 韓林嶧,吳晟.  信息技術(shù). 2018(12)
[4]新消費者重復(fù)購買意向預(yù)測研究[J]. 張李義,李一然,文璇.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2018(11)
[5]2018第四屆中國互聯(lián)網(wǎng)企業(yè)發(fā)展論壇[J].   互聯(lián)網(wǎng)天地. 2018(07)
[6]融合用戶背景和用戶人格的話題推薦方法[J]. 范洪博,楊笑鋒,張晶.  計算機應(yīng)用與軟件. 2018(07)
[7]一種基于加權(quán)因子的混合協(xié)同過濾算法[J]. 王嬋.  電腦知識與技術(shù). 2018(09)
[8]基于商品屬性值和用戶特征的協(xié)同過濾推薦算法[J]. 高長元,黃凱,王京,張樹臣.  計算機工程與科學(xué). 2017(12)
[9]一種融合聚類與用戶興趣偏好的協(xié)同過濾推薦算法[J]. 何明,孫望,肖潤,劉偉世.  計算機科學(xué). 2017(S2)
[10]基于用戶量化屬性的多維相似度的協(xié)同過濾推薦算法[J]. 胡健,覃慧,梁雪雷.  江西理工大學(xué)學(xué)報. 2017(03)

博士論文
[1]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D]. 孫小華.浙江大學(xué) 2005

碩士論文
[1]針對冷啟動推薦的分布式協(xié)同過濾研究[D]. 王穩(wěn)寅.上海交通大學(xué) 2012



本文編號：3516252