基于品牌社群划分的个性化商品推荐方法研究

发布时间：2020-09-05 12:13

　　随着信息技术的高速发展和移动终端设备的广泛应用,互联网全面进入Web2.0时代,电子商务随之迅速发展成为人们日常生活中必不可少的商品交易方式,人类社会急速进入信息爆炸时代,由此产生了信息过载问题。一方面,用户无法从海量的信息中找到符合自己需要的信息;另一方面,信息提供者也无法针对用户的个性化特点向用户提供有效的信息。面对信息过载的困境,推荐系统成为解决此问题的有效手段。伴随着用户对个性化信息准确性的要求越发严格,传统的推荐模型已经不能满足用户的需求,推荐系统的发展需要不断进步。尤其在电子商务方面,提高商品推荐的准确性显得尤为重要。目前推荐系统研究的主要问题:一是冷启动问题,包括用户冷启动,即新用户刚进入系统,没有与其相关的历史交易记录,系统无法为用户提供准确的推荐。物品冷启动,即新商品刚进入市场没有与其相关的评价和购买信息,无法将其推荐给相关用户;二是数据稀疏问题,与网站销售的庞大数量商品相比,用户做过评分的商品只占其冰山一角,这就导致了用户项目评分矩阵的数据极端稀疏,在计算用户或项目的最近邻时准确率就会比较低,从而使得推荐系统的服务质量急剧下降。针对上述问题,本文提出基于品牌社群划分的个性化商品推荐方法,第一,通过品牌认可度和用户信任度划分用户社群;第二,在划分的用户群组中利用耦合卷积神经网络模型进行评分预测,将高评分商品推荐给用户,以此来提高商品推荐的效果。本文主要针对物品冷启动和数据稀疏问题两方面进行改进,该方法首先进行用户品牌社群划分,对通过分析用户购买记录和评价记录得到的用户品牌认可度和用户活跃度利用DBSCAN算法进行聚类,初步形成群组。与此同时将通过用户交流信息,计算得到的用户信任度与初步群组进行矩阵融合,形成最终品牌社群;然后在用户群组内进行商品评分预测,选取高评分商品推荐给用户。评分预测模型由两个耦合并行的神经网络构成,一个用户网络和一个项目网络,分四层结构(输入层、隐含层、输出层、共享层);用户评论数据和商品评论数据将分别从用户网络和商品网络输入,在评论语义分析方面,将分别从字向量角度进行实验,并且改变传统的使用单一大小的卷积核处理句子的模式,使用多个并行的卷积层,利用多个大小不同的卷积核对句子进行特征提取;接着两个网络的输出将共同汇聚于共享层,在共享层使用机器学习FM算法进行评分预测;最后将群组中的高评分商品推荐给用户,提高商品推荐的准确率。本文通过与包括经典协同过滤算法在内的主流推荐方法进行对比实验,从准确率、召回率和F1值三方面来进行比较,实验结果表明,本文提出的基于品牌社群划分的个性化商品推荐方法拥有更好的推荐效果。
【学位单位】：辽宁大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F274;TP391.3
【部分图文】：

中国电子商务,市场交易

第 1 章绪论究背景及意义多媒体技术的急速发展与智能移动终端的广泛应用，互联网Web2.0 时代急速增加，根据 IDC 报告显示，进入 2020 年后全超过 40ZB，人类将会被数据包围，为人类社会也将正式进入代。根据 2017 年互联网趋势报告[1]内容显示，截至 2017 年全超过 34 亿，同比增长 10%，且数量还在持续增加，渗透率方达到 46%。我国已经成为全球最大的互联网市场，网民数量全国有一半的人都已成为互联网用户，我国的互联网发展进此同时，电子商务伴随着互联网的发展也进入了“黄金时期和数量的大量增加，促使网上购物成为消费者日常购物的首商务研究中心发布的 2017 年（上）中国电子商务市场数据监月至六月的国内电子商务交易总额超过 13 万亿元，相比去年点，图 1-1 所示为 2012-2017 年（上）中国电子商务市场交易

框架图,社群,划分方法,框架图

第 3 章基于品牌认可度的社群划分活跃度利用 DBSCAN 算法进行聚类，初步形成群组，与此同时将通过用户交息，计算得到的用户信任度与初步群组进行矩阵融合，形成最终品牌社群1 方法框架及描述为解决物品冷启动问题，本文结合用户品牌认可度、用户活跃度和用户信任提出的用户社群划分方法的框架图如图 3-1 所示。

示意图,用户信息,示意图,分离理论

图 3-2 用户信息交流示意图间的信息交流是双向且不对称的，所以在计算，同时还要体现信任的不对称性。以图 3-2 中于其他节点的信任度时，要以 D 为中心向外扩H→I）。扩散范围依据六度分离理论确定，对键中间联系人而造成的超出六度分离理论的用点参与计算[47]，根据六度分割理论 D 点扩散如

【参考文献】