隨著“互聯(lián)網(wǎng)+”時代的到來,以淘寶為代表的電子商務(wù)平臺迅速興起。近幾年,電子商務(wù)平臺服裝網(wǎng)購銷售額占比處于各類商品網(wǎng)購銷售額占比的第一位。服裝網(wǎng)購平臺在銷售的過程中產(chǎn)生了海量的用戶、服裝數(shù)據(jù),推薦算法可以從海量數(shù)據(jù)中提取關(guān)鍵信息,為用戶進(jìn)行服裝推薦。然而,傳統(tǒng)的服裝推薦算法漸漸不能滿足人們?nèi)找嬖鲩L的個性化服裝穿戴的需要。服裝推薦系統(tǒng)內(nèi)的數(shù)據(jù)按照數(shù)據(jù)類型將數(shù)據(jù)分為顯式數(shù)據(jù)和隱式數(shù)據(jù),設(shè)計兩種數(shù)據(jù)類型相結(jié)合的推薦算法,可以有效解決服裝信息超載問題,提高服裝推薦準(zhǔn)確率,提升系統(tǒng)對于用戶數(shù)據(jù)的利用率,滿足用戶個性化穿戴需求。顯式數(shù)據(jù)與隱式數(shù)據(jù)相結(jié)合的服裝推薦算法將用戶的顯式反饋和隱式反饋轉(zhuǎn)化為顯式數(shù)據(jù)和隱式數(shù)據(jù),結(jié)合基于用戶的協(xié)同過濾推薦算法為用戶進(jìn)行服裝推薦。其中,數(shù)據(jù)預(yù)處理部分,顯式數(shù)據(jù)采用用戶偏好的色彩、風(fēng)格數(shù)據(jù),隱式數(shù)據(jù)采用用戶購買記錄、瀏覽記錄數(shù)據(jù);多種數(shù)據(jù)類型矩陣計算部分,提取數(shù)據(jù)庫中的數(shù)據(jù)構(gòu)建用戶特征向量和評分矩陣;矩陣處理部分,由于用戶、服裝數(shù)據(jù)量大,用戶-服裝矩陣維度過高,需要進(jìn)行降維,得到特征矩陣,使用優(yōu)化后的Pearson相似性計算方法進(jìn)行用戶相似度計算,得到初始推薦結(jié)果...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1推薦系統(tǒng)架構(gòu)圖

顯隱數(shù)據(jù)結(jié)合的服裝推薦系統(tǒng)研究務(wù)平臺的訪問量，豐富了用戶模型，加深了平臺對于用戶的了解。1.2國內(nèi)外研究現(xiàn)狀1.2.1推薦算法Recsys大會既有關(guān)于推薦領(lǐng)域?qū)嵺`與技術(shù)的研究，也有關(guān)于推薦理論與推薦方法的探索，被認(rèn)為是推薦領(lǐng)域最權(quán)威的大會[10]。Recsys大會議多篇論....

圖2.1經(jīng)典推薦算法分類

第2章相關(guān)理論與技術(shù)在顯式數(shù)據(jù)與隱式數(shù)據(jù)相結(jié)合的服裝推薦系統(tǒng)中，需要考慮推薦算法、數(shù)據(jù)類型、服裝領(lǐng)域知識等內(nèi)容。其中，協(xié)同過濾推薦算法是目前應(yīng)用最為廣泛的一種推薦算法，深受研究者們喜愛。但是傳統(tǒng)推薦算法只采用一種數(shù)據(jù)類型，這已經(jīng)不能滿足用戶日益增長的個性化推薦要求，本文提出....

圖2.2基于內(nèi)容的推薦算法

顯隱數(shù)據(jù)結(jié)合的服裝推薦系統(tǒng)研究戶已經(jīng)購買或以某種方式表達(dá)偏好的物品的特征屬性內(nèi)容集；第二部分是系統(tǒng)物品特征集，系統(tǒng)數(shù)據(jù)庫中所有物品及其所包含的特征屬性內(nèi)容集；第三部分是推薦引擎，通過學(xué)習(xí)算法將用戶歷史特征集和系統(tǒng)物品特征集進(jìn)行相似度計算，最終生成推薦結(jié)果，如圖2.2。

圖2.3基于模型的協(xié)同過濾推薦算法

圖2.3基于模型的協(xié)同過濾推薦算法基于記憶的協(xié)同過濾推薦算法，分為基于用戶的協(xié)同過濾推薦算法和基于物品的協(xié)同過濾推薦算法[32]。兩種推薦算法均都需要進(jìn)行相似度計算，因此基于記憶的協(xié)同過濾推薦算法也可稱為基于近鄰的推薦算法�；谟洃浀膮f(xié)同過濾推薦算法依賴于用戶行為記錄，通過行....

本文編號：3908552