基于相似度划分及关联规则的商品推荐模型的研究
发布时间：2021-11-04 10:38
随着计算机网络的飞速发展以及我国的电子商务的发展繁荣,网上购物已经逐渐成为现代人日常生活购物的常用手段。而且我国一带一路政策的逐渐深入,我国与其他国家的贸易往来必将更加密切,国外的产品逐渐进入我国网购用户的视野,被网购用户逐渐接受并受到用户的青睐。跨境电子商务在此大背景下发展迅速,具有跨境电子商务业务的企业在不断增多,这些企业借助电子商务系统为终端消费者提供商品。具有跨境特征的电子商务系统在运营中的特征是常常需要引进同类产品的不同产地、不同品牌的商品,使得系统中所提供的产品品类繁杂且单品量小,如何将新引进的商品推荐给客户是系统在运营过程必须考虑的问题。本文以一个处在运营初期且具有跨境特征的电子商务系统的企业实际需求为研究背景开展推荐模型的研究,对减少消费者搜索商品的时间并帮助消费者购买到符合其心意的商品,提高用户购物体验,同时帮助企业提高网购客户的黏度提高服务质量,进而提升系统运营效率具有重要的现实意义。本文在对相关理论进行研究的基础上,重点研究了如何挖掘客户需求,如何实现商品推荐的方法,研究发现目前推荐算法主要采用基于评分的协同过滤方法,由于用户评分受到多种因素的影响,其在客观性和可...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图３．１聚簇前后关联规则变化示意图??Ｆｉｇ．?３．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ａｓｓｏｃｉａｔｉｏｎ?ｍｌｅｓ?ｂｅｆｏｒｅ?ａｎｄ?ａｆｔｅｒ?ｃｌｕｓｔｅｒｉｎｇ??
?大连海事大学硕士学位论文???找到甬户所属的??罔户簇?＾??找到罔户续对应??的商品续??■对促柄戋品艮拒１??仓储量和采购周??，?期洪１梂字，??？?４ｒ??优先推荐仓储量越??大．滞销时间越??长．采噠固期越短??｜?的侄销商品??图３．６促销环境下推荐流程图??Ｆｉｇ．?３．６?Ｒｅｃｏｍｍｅｎｄｅｄ?ｆｌｏｗ?ｃｈａｒｔ?ｉｎ?ａ?ｐｒｏｍｏｔｉｏｎａｌ?ｅｎｖｉｒｏｎｍｅｎｔ??３．?６?本章小结??本章首先对基于协同过滤的推荐算法的缺点进行了分析，以及在跨境的特征下，冷??启动问题十分严重，是一个急需解决的问题。在分析了解了目前几种常见的推荐算法的??基础上，提出了基于相似度划分的推荐模型。经过分析得出，对数据进行相似度划分聚??族后再进行关联规则挖掘所得到的关联规则与不进行相似度划分聚簇直接进行关联规??则挖掘所得到的关联规则相比，前者得到的关联规则的数量更多，而且关联规则强度更??高。在此前提下，比较了常用的聚类算法的优缺点，并对网购用户的群体特征进行分析，??网购用户的各种属性都会对用户的购物选择产生影响。因此，本章提出了通过对用户的??购物数据进行相似度计算，对用户以及商品进行聚簇的相似度划分聚簇方法。而且新用??户和新商品通过计算与形成的用户簇和商品簇的相似度，将新用户和新商品进行归属，??解决了推荐算法中的冷启动问题。在对网购用户和商品聚簇的基础上，再进行关联规则??的挖掘，利用得到的关联规则向用户进行推荐，并通过数据验证了先对数据进行相似度??聚簇再进行关联规则的挖掘，所得到的关联规则在数量上和强度上都有一定的提高。最??后，分别在冷启动环境下、常规环境下和
?大连海事大学硕士学位论文???为：？［用户３｝：?｛Ｓ（Ｒｙｏ）营润修护洗发水｝，｛用户１４｝：?｛ＶＡＮＳ低帮情侣板鞋｝，｛用户??２３｝：?｛任天堂（Ｎｉｎｔｅｎｄｏ）?Ｓｗｉｔｃｈ?ＮＳ掌上游戏机｝，确定的二个初始用户族与初始商品??族示意图如图４．５所示，图中对用户、商品以及购买行为进行了表示。??（平一ｖ?＇Ｉ?＇予一Ｓ丨??＼人?Ｔ发水丨＼入??＼用户３?用户１４?Ｊ??—、Ｓｗｉｔｃｈ?ＮＳ??＼用户２３?／??图４．５初始用户簇与商品簇示意图??Ｆｉｇ．?４．５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｉｎｉｔｉａｌ?ｕｓｅｒ?ｃｌｕｓｔｅｒ?ａｎｄ?ｃｏｍｍｏｄｉｔｙ?ｃｌｕｓｔｅｒ??将图４．４中每件商品转换为各自所属的商品小类，则图４．４中商品可以归纳为：红??酒类、蜂蜜／茶类、美妆彩护类、＃婴类、服饰类、服装配饰类、鞋靴类、保健食品类、??饼干蛋糕类、糖果／巧克力类、休闲食品类、冲调食品类、图书类、电脑配件类、文具类、??衣物清洁类、纸品湿巾类以及影音娱乐类。其他用户所购买的商品集合分别计算与初始??商品类的相似度，即Ｊａｃｃａｒｄ距离。??根据第三章提出的基于相似度的聚簇算法，首先计算购买商品种类个数为２的用户??２、用户１３、用户１５、用户１６、用户１７、用户１９、用户２０所购买的商品与图４．５中三??个初始簇商品簇的相似度，经计算，这些用户与初始商品簇的Ｊａｃｃａｒｄ距离均为０，所以??这些用户所购买的商品成为新的商品簇，这些用户也成为了新的用户簇。此时初始商品??簇与初始用户簇的结果为：｛用户３｝：?？（吕（Ｒｙｏ）营润修护洗发水｝，｛用户１４｝：?｛ＶＡＮＳ??低帮情
【参考文献】：
期刊论文
[1]跨境电商平台消费者购买意愿的影响因素研究[J]. 尹冬梅. 中国商论. 2020(08)
[2]跨境电商的新媒体营销方式应用研究[J]. 喻跃梅. 现代营销(下旬刊). 2020(03)
[3]基于“用户画像”的精准营销策略研究[J]. 张莉. 现代营销(下旬刊). 2020(03)
[4]融合社交关系与时间因素的主题模型推荐算法[J]. 高茂庭,王吉. 计算机工程. 2020(03)
[5]跨境电商营销模式的探究[J]. 徐明亮. 现代营销(经营版). 2020(03)
[6]基于大数据的中小型电商企业精准营销研究[J]. 徐涛. 中国商论. 2020(04)
[7]基于模糊感知的社交网络融合性智能推荐算法[J]. 柯建波,陆兴华. 信息技术. 2020(02)
[8]基于改进用户属性评分的协同过滤算法[J]. 董跃华,朱纯煜. 计算机工程与设计. 2020(02)
[9]缓解数据稀疏问题的协同过滤混合填充算法[J]. 任永功,王思雨,张志鹏. 模式识别与人工智能. 2020(02)
[10]基于大数据的用户行为分析系统[J]. 李微丽,罗汝,颜一鸣. 科技风. 2020(04)
博士论文
[1]面向电商网页设计与评价的AEU多维视觉营销绩效模型研究[D]. 张帆.浙江大学 2018
硕士论文
[1]基于用户属性与用户偏好的个性化推荐算法研究[D]. 杨莉.重庆师范大学 2019
[2]基于聚类和用户偏好的协同过滤算法的研究[D]. 李淑敏.燕山大学 2019
[3]基于工业大数据平台的TFT-LCD不良现象的分析[D]. 柴栋.北京工业大学 2018
[4]中国跨境电商在泰国的发展[D]. 陈明明（Sunadda Tantiboonchu）.南京大学 2018
[5]电商网页UI视觉设计研究[D]. 周天姿.湖北美术学院 2018
[6]电商购物网站UI艺术设计研究[D]. 马骁.河北大学 2016
[7]基于关联规则和聚类分析的个性化推荐系统的研究与实现[D]. 孙世文.吉林大学 2015
本文编号：3475562
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图３．１聚簇前后关联规则变化示意图??Ｆｉｇ．?３．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ａｓｓｏｃｉａｔｉｏｎ?ｍｌｅｓ?ｂｅｆｏｒｅ?ａｎｄ?ａｆｔｅｒ?ｃｌｕｓｔｅｒｉｎｇ??
?大连海事大学硕士学位论文???找到甬户所属的??罔户簇?＾??找到罔户续对应??的商品续??■对促柄戋品艮拒１??仓储量和采购周??，?期洪１梂字，??？?４ｒ??优先推荐仓储量越??大．滞销时间越??长．采噠固期越短??｜?的侄销商品??图３．６促销环境下推荐流程图??Ｆｉｇ．?３．６?Ｒｅｃｏｍｍｅｎｄｅｄ?ｆｌｏｗ?ｃｈａｒｔ?ｉｎ?ａ?ｐｒｏｍｏｔｉｏｎａｌ?ｅｎｖｉｒｏｎｍｅｎｔ??３．?６?本章小结??本章首先对基于协同过滤的推荐算法的缺点进行了分析，以及在跨境的特征下，冷??启动问题十分严重，是一个急需解决的问题。在分析了解了目前几种常见的推荐算法的??基础上，提出了基于相似度划分的推荐模型。经过分析得出，对数据进行相似度划分聚??族后再进行关联规则挖掘所得到的关联规则与不进行相似度划分聚簇直接进行关联规??则挖掘所得到的关联规则相比，前者得到的关联规则的数量更多，而且关联规则强度更??高。在此前提下，比较了常用的聚类算法的优缺点，并对网购用户的群体特征进行分析，??网购用户的各种属性都会对用户的购物选择产生影响。因此，本章提出了通过对用户的??购物数据进行相似度计算，对用户以及商品进行聚簇的相似度划分聚簇方法。而且新用??户和新商品通过计算与形成的用户簇和商品簇的相似度，将新用户和新商品进行归属，??解决了推荐算法中的冷启动问题。在对网购用户和商品聚簇的基础上，再进行关联规则??的挖掘，利用得到的关联规则向用户进行推荐，并通过数据验证了先对数据进行相似度??聚簇再进行关联规则的挖掘，所得到的关联规则在数量上和强度上都有一定的提高。最??后，分别在冷启动环境下、常规环境下和
?大连海事大学硕士学位论文???为：？［用户３｝：?｛Ｓ（Ｒｙｏ）营润修护洗发水｝，｛用户１４｝：?｛ＶＡＮＳ低帮情侣板鞋｝，｛用户??２３｝：?｛任天堂（Ｎｉｎｔｅｎｄｏ）?Ｓｗｉｔｃｈ?ＮＳ掌上游戏机｝，确定的二个初始用户族与初始商品??族示意图如图４．５所示，图中对用户、商品以及购买行为进行了表示。??（平一ｖ?＇Ｉ?＇予一Ｓ丨??＼人?Ｔ发水丨＼入??＼用户３?用户１４?Ｊ??—、Ｓｗｉｔｃｈ?ＮＳ??＼用户２３?／??图４．５初始用户簇与商品簇示意图??Ｆｉｇ．?４．５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｉｎｉｔｉａｌ?ｕｓｅｒ?ｃｌｕｓｔｅｒ?ａｎｄ?ｃｏｍｍｏｄｉｔｙ?ｃｌｕｓｔｅｒ??将图４．４中每件商品转换为各自所属的商品小类，则图４．４中商品可以归纳为：红??酒类、蜂蜜／茶类、美妆彩护类、＃婴类、服饰类、服装配饰类、鞋靴类、保健食品类、??饼干蛋糕类、糖果／巧克力类、休闲食品类、冲调食品类、图书类、电脑配件类、文具类、??衣物清洁类、纸品湿巾类以及影音娱乐类。其他用户所购买的商品集合分别计算与初始??商品类的相似度，即Ｊａｃｃａｒｄ距离。??根据第三章提出的基于相似度的聚簇算法，首先计算购买商品种类个数为２的用户??２、用户１３、用户１５、用户１６、用户１７、用户１９、用户２０所购买的商品与图４．５中三??个初始簇商品簇的相似度，经计算，这些用户与初始商品簇的Ｊａｃｃａｒｄ距离均为０，所以??这些用户所购买的商品成为新的商品簇，这些用户也成为了新的用户簇。此时初始商品??簇与初始用户簇的结果为：｛用户３｝：?？（吕（Ｒｙｏ）营润修护洗发水｝，｛用户１４｝：?｛ＶＡＮＳ??低帮情
【参考文献】：
期刊论文
[1]跨境电商平台消费者购买意愿的影响因素研究[J]. 尹冬梅. 中国商论. 2020(08)
[2]跨境电商的新媒体营销方式应用研究[J]. 喻跃梅. 现代营销(下旬刊). 2020(03)
[3]基于“用户画像”的精准营销策略研究[J]. 张莉. 现代营销(下旬刊). 2020(03)
[4]融合社交关系与时间因素的主题模型推荐算法[J]. 高茂庭,王吉. 计算机工程. 2020(03)
[5]跨境电商营销模式的探究[J]. 徐明亮. 现代营销(经营版). 2020(03)
[6]基于大数据的中小型电商企业精准营销研究[J]. 徐涛. 中国商论. 2020(04)
[7]基于模糊感知的社交网络融合性智能推荐算法[J]. 柯建波,陆兴华. 信息技术. 2020(02)
[8]基于改进用户属性评分的协同过滤算法[J]. 董跃华,朱纯煜. 计算机工程与设计. 2020(02)
[9]缓解数据稀疏问题的协同过滤混合填充算法[J]. 任永功,王思雨,张志鹏. 模式识别与人工智能. 2020(02)
[10]基于大数据的用户行为分析系统[J]. 李微丽,罗汝,颜一鸣. 科技风. 2020(04)
博士论文
[1]面向电商网页设计与评价的AEU多维视觉营销绩效模型研究[D]. 张帆.浙江大学 2018
硕士论文
[1]基于用户属性与用户偏好的个性化推荐算法研究[D]. 杨莉.重庆师范大学 2019
[2]基于聚类和用户偏好的协同过滤算法的研究[D]. 李淑敏.燕山大学 2019
[3]基于工业大数据平台的TFT-LCD不良现象的分析[D]. 柴栋.北京工业大学 2018
[4]中国跨境电商在泰国的发展[D]. 陈明明（Sunadda Tantiboonchu）.南京大学 2018
[5]电商网页UI视觉设计研究[D]. 周天姿.湖北美术学院 2018
[6]电商购物网站UI艺术设计研究[D]. 马骁.河北大学 2016
[7]基于关联规则和聚类分析的个性化推荐系统的研究与实现[D]. 孙世文.吉林大学 2015
本文编号：3475562
本文链接：https://www.wllwen.com/jingjilunwen/dianzishangwulunwen/3475562.html
