發(fā)布時間：2020-11-13 06:58

　　 隨著互聯(lián)網(wǎng)科技的發(fā)展,人們獲取信息的方式越來越多,信息的數(shù)量爆炸式增長,內(nèi)容的復(fù)雜度也不斷提高,簡單的信息檢索技術(shù)已經(jīng)無法滿足大部分人的需求,并且我們的時代已經(jīng)由物品匱乏的時代轉(zhuǎn)化為了物品豐富的時代,隨著物品數(shù)量和種類的增多,人們的注意力成為了稀缺資源。電子商務(wù)的確面臨上述問題,如何在海量的數(shù)據(jù)中快速找到用戶需要的物品變得非常重要,因此電商場景下的個性化推薦系統(tǒng)應(yīng)運(yùn)而生。目前電子商務(wù)迅猛發(fā)展,中國代表的有淘寶、京東、蘇寧等等,其中包含了大量的用戶和商品數(shù)據(jù),對于大量的隨機(jī)性數(shù)據(jù),傳統(tǒng)的推薦算法不能很好地對用戶預(yù)購買商品進(jìn)行預(yù)測。針對上述問題,我將推薦問題變換成分類問題,使用淘寶用戶-商品數(shù)據(jù)集,對用戶行為數(shù)據(jù)進(jìn)行特征提取,再利用機(jī)器學(xué)習(xí)中的分類算法,對用戶喜好的商品進(jìn)行預(yù)測,實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)強(qiáng)化學(xué)習(xí)中GBDT模型的F1分?jǐn)?shù)比邏輯回歸算法的F1分?jǐn)?shù)提升了近一倍,GBDT算法在處理隨機(jī)性較強(qiáng)的數(shù)據(jù)具有明顯的優(yōu)勢,在電商推薦數(shù)據(jù)集上取得了很好地效果。由于電商場景下根據(jù)傳統(tǒng)的推薦算法利用的是評分?jǐn)?shù)據(jù)集,然而商品數(shù)據(jù)集中面臨著評分?jǐn)?shù)據(jù)缺失嚴(yán)重或沒有評分?jǐn)?shù)據(jù)問題,針對這個問題,本文通過在傳統(tǒng)的推薦算法基礎(chǔ)上,引入用戶行為變量,在Jaccard相似度基礎(chǔ)上,提出一種新的用戶之間相似度計算方法和用戶-商品得分計算方法,通過兩者結(jié)合進(jìn)行用戶間的協(xié)同過濾推薦。通過在阿里的天池平臺下載的淘寶用戶行為和物品信息數(shù)據(jù)選取部分用戶進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果F1分?jǐn)?shù)值為0.154,并與傳統(tǒng)協(xié)同過濾算法實(shí)驗(yàn)結(jié)果進(jìn)行比較,F1分?jǐn)?shù)有很大的提升。由此可以得出:新的用戶相似度計算方法可以更有效的找到目標(biāo)用戶的近鄰用戶,從而提高推薦的準(zhǔn)確率,而且新的相似度計算公式?jīng)]有用到用戶評分?jǐn)?shù)據(jù),所以在一定程度上解決了評分?jǐn)?shù)據(jù)稀疏的問題。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：F724.6;F224
【部分圖文】：

?山東大學(xué)碩士學(xué)位論文???第２章個性化推薦系統(tǒng)和算法介紹??２．１個性化推薦系統(tǒng)??個性化推薦系統(tǒng)可以通過收集用戶信息，生成用戶畫像，根據(jù)用戶特征畫像，??比如片ｊ戶的興趣偏好，為用戶做出符合用戶的個性化推薦。一個推薦系統(tǒng)是包括??Ｎ個推薦引笮的，通過Ｎ個推薦引擎共同產(chǎn)生初步的推薦結(jié)果，然后進(jìn)行過濾、??排名和推薦解釋，最終生成推薦。??＇推薦引擎???？?推薦引擎２??????Ｕｓｅｒ?——＞＜?＞■?＞初步推薦結(jié)果?＾過濾??－?？?？?？?－Ｘ?＾??推薦引擎Ｎ?ｒ－ｆｉｎ??Ｌ?Ｊ?丨排名????ｖ??推薦結(jié)果（推薦解釋???????圖２．?１．?１個性化推薦系統(tǒng)架構(gòu)??一個比較好的個性化推薦系統(tǒng)需要涵蓋以下三個方面的作用：??１．提高用戶在瀏覽電子商務(wù)網(wǎng)站時的購買欲望。個性化推薦系統(tǒng)可以推薦??給用戶他們感興趣的物品，比起用戶漫無目的的進(jìn)行商品的瀏覽，用戶可以更有??效率的找到自己想要購買的商品，從而提高了用戶的購買率。??２．增強(qiáng)電子商務(wù)網(wǎng)站的各種商品間的交互銷售能力。對用戶來說，一些商??品屬于隱性商品，就是用戶在網(wǎng)上確實(shí)需要購買，但是當(dāng)時沒有考慮到這種商品；??個性化推薦系統(tǒng)需要給這樣的用戶進(jìn)行商品推薦，比如互補(bǔ)性商品推薦，從而提??高電商網(wǎng)站的交互銷售能力。??３．增加用戶對電商網(wǎng)站的粘合度，讓用戶依賴上電商平臺。當(dāng)前電子商務(wù)??公司很多，競爭激烈，而且對于用戶來說在各大電商網(wǎng)站切換時很容易的事情，??７??

?ｆｉｌｔｅｒｉｎｇ?ａｌｇｏｒｉｔｈｍ）以及無合推薦（ｈｙｂｒｉｄ?ａｌｇｏｒｉｔｈｍ）?［１］。??基于荇容的算法??基于筠設(shè)的算法?????Ｉ?基于愚產(chǎn)釣飭問過潘????－????????按：薦震法一ｉ?ｒ－??基于疼存＿撟同過緣ｉ????、猶…＂■？‘’’”１，＇＇＇＇＿＇＿．—－腳幽＂圓？＂＂＂？””’＂＂’?，？■？？？＜？＜？碌滅》－＞－？？？．－＜■、??謂過■算泫?￣?，基于轅細(xì)測過ｆｉ??－?基于琪型的熱同過德??？灌會鱗紐??圖２．?１．２推薦算法圖??２．?２基于協(xié)同過濾的推薦??Ｇｏｌｄｂｅｒｇ等人在１９９２年的一篇文獻(xiàn)中提出了協(xié)同過濾（Ｃｏｌｌａｂｏｒａｔｉｖｅ??Ｆｉｌｔｅｒｉｎｇ）?［８］，Ｂｒｅｅｓｅ將協(xié)同過濾推薦算法［Ｍ］主要分為兩大類：基于內(nèi)存的協(xié)同??過濾（Ｍｅｍｏｒｙ－ｂａｓｅｄ?ＣＦ）和基于模型的協(xié)同過濾算法（Ｍｏｄｅｌ－ｂａｓｅｄＣＦ）?〇??協(xié)同過濾又可以分為基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾。??２．２．１基于用戶的協(xié)同過濾??基于用戶的協(xié)同過濾算法［２］是推薦系統(tǒng)中最傳統(tǒng)的推薦算法，這個算法的誕??生也導(dǎo)致了個性化推薦系統(tǒng)的產(chǎn)生。該算法是在１９９２年提出的，并且應(yīng)用在郵??件過濾系統(tǒng)，１９９４年被ＧｒｏｕｐＬｅｎｓ應(yīng)用在新聞過濾方面。??８??

?⑴東大學(xué)碩士學(xué)位論文???－８＾Ｔｚｒ??乂?用戶Ｂ?物品Ｃ??—￣??ｍ?物品?〇???？?用戶ｃ????圖２－２－１基于用戶的協(xié)同過濾??如果你想學(xué)習(xí)新的知識，但是你對此方面的學(xué)習(xí)方法不了解，你可能會向?qū)W??習(xí)過這些知識的人質(zhì)詢一些關(guān)于學(xué)習(xí)這方面知識的書籍和方法，他們會根據(jù)自己??的經(jīng)驗(yàn)來給你推薦＋?？些他們認(rèn)為學(xué)＞」起來比較好的書籍，但是最終你根據(jù)自己的??實(shí)際選擇適合自己的書籍和方法。這就是一個基于用戶協(xié)同過濾的例子。在個性??化推薦過程中，基于用戶協(xié)同過濾的方法，是通過目標(biāo)用戶的一些列的信息，找??到與其擁有較高相似度的用戶，通過這些用戶的購買信息，最后把這些相似用戶??以前購買過的但目標(biāo)用戶沒有購買的給目標(biāo)用戶進(jìn)行推薦。??對于含有ｍ位用戶和ｎ件物品的ｍ＊ｔｌ的評分矩陣Ｒ?＝?ｌｒＵ｜ｊ，?表示己被用戶??（行）ｕ評價過的物品的序列。比如，如果用戶（行）ｕ對第?＇、第四、第五件??物品（列）評價是己經(jīng)知道的（觀測到的），其余是為重的，那么就有Ｉｕ?＝｛１，４，５｝。??用戶１］和乂都評價過的物品集合用／，，門／、，進(jìn)行表示。例如，如果用戶ｖ對前４??個物品進(jìn)行了評價，那／１，?＝?｛１，２，３，４｝，丨１，＾二丨１，４｝。然而／？門／１１有可能是空集，??因?yàn)橛脩簦唐吩u分矩陣一般都是稀疏的。??利用Ｐｅａｒｓｏｎ相關(guān)系數(shù)用來衡量用戶ｕ和用戶ｖ之間評分向量的相似程度??Ｓｉｍ（ｕ，?Ｖ）。／，，門／ｖ代表了用戶ｕ和用戶ｖ均做出評分的物品序列集，在用戶ｕ??和ｖ共同評分的數(shù)據(jù)集上計算相關(guān)系數(shù)。先利用每位用戶的評分來計算每位用戶??的平均評分：??９??
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 賀桂和;;基于用戶偏好挖掘的電子商務(wù)協(xié)同過濾推薦算法研究[J];情報科學(xué);2013年12期

2 賈冬艷;張付志;;基于雙重鄰居選取策略的協(xié)同過濾推薦算法[J];計算機(jī)研究與發(fā)展;2013年05期

3 張玉芳;代金龍;熊忠陽;;分步填充緩解數(shù)據(jù)稀疏性的協(xié)同過濾算法[J];計算機(jī)應(yīng)用研究;2013年09期

4 王雪蓉;萬年紅;;云模式用戶行為關(guān)聯(lián)聚類的協(xié)同過濾推薦算法[J];計算機(jī)應(yīng)用;2011年09期

5 劉枚蓮;劉同存;李小龍;;基于用戶興趣特征提取的推薦算法研究[J];計算機(jī)應(yīng)用研究;2011年05期

6 劉旭東;葛俊杰;陳德人;;一種基于聚類和協(xié)同過濾的組合推薦算法[J];計算機(jī)工程與科學(xué);2010年12期

7 郭艷紅;鄧貴仕;;協(xié)同過濾系統(tǒng)項目冷啟動的混合推薦算法[J];計算機(jī)工程;2008年23期

8 游文;葉水生;;電子商務(wù)推薦系統(tǒng)中的協(xié)同過濾推薦[J];計算機(jī)技術(shù)與發(fā)展;2006年09期

相關(guān)博士學(xué)位論文 前1條

1 趙向宇;Top-N協(xié)同過濾推薦技術(shù)研究[D];北京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前9條

1 胡楊;基于深度學(xué)習(xí)的混合協(xié)同過濾推薦算法的研究與應(yīng)用[D];江蘇大學(xué);2019年

2 張濱;基于混合模型的推薦系統(tǒng)的研究[D];吉林大學(xué);2018年

3 張穎;基于用戶畫像特征數(shù)據(jù)集的個性化推薦算法研究[D];西安電子科技大學(xué);2018年

4 魏全彬;基于協(xié)同過濾和屬性關(guān)聯(lián)規(guī)則混合推薦算法研究[D];西南交通大學(xué);2018年

5 王海燕;電子商務(wù)協(xié)同過濾推薦算法的優(yōu)化研究[D];河北工程大學(xué);2016年

6 趙偉明;基于用戶行為分析和混合推薦策略的個性化推薦方法研究[D];北京工業(yè)大學(xué);2014年

7 袁利;基于聚類的協(xié)同過濾個性化推薦算法研究[D];華中師范大學(xué);2014年

8 朱文奇;推薦系統(tǒng)用戶相似度計算方法研究[D];重慶大學(xué);2014年

9 黃洋;基于聚類和項目類別偏好的協(xié)同過濾推薦算法研究[D];浙江理工大學(xué);2014年

本文編號：2881887