基于改进协同过滤算法的汽车服务推荐及其在加油站销售平台的应用

发布时间：2021-09-05 00:21

　　随着汽车后市场的飞速发展,汽车服务已经逐渐成为人们生活中的必需品。如何根据车主用户的个性信息提供个性化服务推荐成为了行业研究热点。传统推荐系统和部分现有改进算法的推荐系统,虽然在一定程度上缓解了“信息超载”带来的问题,但因汽车服务场景和其面对人群特殊性的要求,推荐结果无法根据车主信息做出准确的个性化推荐,因此需要对现有的推荐系统中使用的算法进行改进,以适应汽车服务行业的特殊要求。加油站作为汽车后市场中的重要组成部分,是用户选择汽车服务的主要入口和服务站点。随着近年来其销售模式单一问题的暴露及其行业竞争问题的加剧,传统加油站的内部管理模式和对外的服务模式已经无法满足加油站管理人员和车主用户的双边需求。尤其在汽车服务发展网络化与多元化的要求下,加油站的管理和服务方式需要得到升级和改进。首先,为了解决传统推荐方法在汽车服务推荐场景中应用的不足,本文根据传统协同过滤算法,结合汽车服务的应用场景,分别针对算法中基于皮尔逊相关系数的相似度计算和预测评分部分做出改进,在相似度计算部分将车主的特殊属性信息计入计算权重,并将汽车服务的商品特征加入到最终预测评分的计算中。通过仿真实验以及与传统方法和现有改... 

【文章来源】：天津理工大学天津市

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

“智慧加油站”规划图

户准确定位到需求信息，根据用户访问记录推荐感兴趣的信息。随着电子商务的兴起，协同过滤推荐算法更是成为了在线商城中使用的主流推荐方法。协同过滤算法最早是由一批在开发推荐系统 Tapestry 时的团队提出，后来算法在社交平台和搜索引擎中得到了广泛的应用[26]。该算法的基本思想是，若两个用户在某些已知项目上具有相似的历史标注或行为偏好，那么他们在其他项目上也可能存在着相似的兴趣偏好[27]。基于用户的协同过滤算法因其具有更高的灵活性，更高的推荐准确率，与电子商务的特点相吻合，得到了极大的发展。为了更好的利用数学语言对该算法进行描述，我们将用户的集合设为U = 1, 2… ,项目的集合设为I = 1, 2… ,对每一个用户 ，都存在一个对项目的评分向量 ,用来记录该用户对已知项目的历史评分。若选取某一个活动用户 ∈ ,在使用协同过滤算法时，需要为用户提供计算两个关键值。第一部分是对未知项目的预测评分：对于活动用户 ,若其对项目 的评分ajg 不存在，即aaj ug I，则算法需要为该用户预测这个评分值，用来表示该用户对此未评分项目的偏好程度，一般使用[1,5]之间的数值表示；第二部分为推荐列表的生成：根据 top-N 推荐公式计算用户 对待预测项目的评分，选择活动用户 最感兴趣（预测评分最高）的前 N 个项目推荐给用户， ∈ 且 ∩ = 。协同过滤算法的工作基本流程如图 2-1 所示：

内存的协同过滤和基于项目的协同过滤分别阐法是利用用户之间的相似性，其思想比较简单易文的研究重点，具体改进工作是针对于此；后者因此只做简单的介绍说明。具体改进工作是针对同过滤算法同过滤算法是在电子商务应用中最常见的推荐似性来为用户提供推荐服务，因此基于内存的协过滤。该方法根据相似用户间对已知项目的评寻找出与当前活跃用户 相似的邻居用户集合目的评分来预测该用户对此项目的兴趣评分，最分加权逼近，并找出排名最靠前的N的项目推荐的展示该过程我们用一个简单的实例来简要说


本文编号：3384293