基于用户行为的电子商务推荐算法研究

发布时间：2017-08-08 05:24

  本文关键词：基于用户行为的电子商务推荐算法研究

  更多相关文章： 个性化推荐 电子商务 协同过滤 混合推荐

【摘要】：随着互联网行业的兴起,衣食住行如今都可以由手机或电脑来结算,越来越多的交易从线下转为线上,互联网+已经渗透到人们生活的方方面面,使人们的生活质量得到了提高。与此同时,互联网每时每刻也在产生海量数据,人类历史上也从未在短期内接受到如此大量的数据,这些数据里面隐藏着人们的购买意愿,舆论走向等等各类有价值的信息,如果利用好这些数据,可以产生更加优质的服务。那么有哪些方法可以从这些数据里获取到有价值的信息?显然仅用人力是无法完成的,这就需要一些推荐算法来支持,本文首先介绍了一些现有的推荐算法,然后将用户对商品的行为进行分析。常用的推荐算法有基于内容的推荐算法与协同过滤推荐算法。基于内容的推荐算法通过历史数据生成用户偏好文档,并以偏好文档为基准与推荐项目比较,选出最相近的项目推荐给用户;协同过滤推荐算法的基本思想是找到同一类用户,然后用这类用户的已有特征进行推荐。协同过滤算法的提出基于以下这个假设:如果用户对一部分项目的评分类似,那么他们对其他项目的评分也大致相同。这两种常见的推荐算法都有各自的优点,但由于电子商务领域数据量庞大,不同用户购买的商品差别也很大,产生的评分矩阵较为稀疏,因此需要对原算法进行一些改进。传统的协同过滤算法中,需要每一个用户对项目产生一个评分矩阵,在其他领域的应用中评分矩阵可以很直观的给出,例如若对商品的评分进行预测,则评分矩阵就是用户对商品的评价值,一般是从1到5的数字。而在电子商务应用场景中用户对项目的评分并不是那么直观,用户对商品的评分主要表现为用户对商品产生的行为,但仅根据行为来进行用户行为来估计用户对商品的评分还是不够,有时用户行为的频率也能在一定程度上反映用户对某个商品的偏好,因而也应该给予较高的评分,所以频率也应该作为一个需要考虑的因素。本文综合以上两点提出了一种改进的协同过滤算法。为了解决协同过滤算法的性能问题,提高推荐的准确性,需要将其他推荐技术融合进来,形成一个可以提供更高准确率和召回率的推荐算法。一些研究表明,混合推荐策略比单一推荐策略的表现更好。本文用一个章节分析了混合推荐算法的可行性,并给出一种针对电子商务用户行为模式的混合推荐算法。通过实验验证了该算法有着理想的召回率和准确率。
【关键词】：个性化推荐 电子商务 协同过滤 混合推荐
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-16
• 1.1 研究背景及意义11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究目的及意义12-13
• 1.2 国内外研究现状13-14
• 1.2.1 国内研究现状13-14
• 1.2.2 国外研究现状14
• 1.3 本文的主要工作14-15
• 1.4 本文的组织结构15-16
• 第2章 推荐系统概述16-26
• 2.1 推荐系统16
• 2.2 推荐系统的算法概述16-22
• 2.2.1 协同过滤推荐算法16-19
• 2.2.2 基于用户-项目的Top-N推荐算法19
• 2.2.3 基于内容的推荐算法19-20
• 2.2.4 基于图结构的推荐算法20-21
• 2.2.5 混合推荐算法21
• 2.2.6 其他推荐算法21-22
• 2.3 现有算法比较22-24
• 2.3.1 存在的问题22-23
• 2.3.2 现有算法的优缺点23-24
• 2.4 推荐系统评价指标24
• 2.5 本章小结24-26
• 第3章 基于用户行为的推荐算法设计26-33
• 3.1 对用户行为的分析26
• 3.2 对用户行为与商品建模26
• 3.3 可行性推荐算法26-32
• 3.3.1 改进的协同过滤算法27-29
• 3.3.2 K-means聚类算法29-31
• 3.3.3 SVD算法31-32
• 3.4 本章小结32-33
• 第4章 混合推荐算法的研究与设计33-39
• 4.1 混合推荐技术的可行性33
• 4.2 混合推荐系统的研究现状33-34
• 4.3 对协同推荐算法的混合策略研究34-35
• 4.3.1 与基于内容的推荐算法混合34-35
• 4.3.2 与K-means聚类算法混合35
• 4.4 基于用户行为的混合推荐算法设计35-37
• 4.4.1 基本思想35-37
• 4.4.2 算法流程37
• 4.5 本章小结37-39
• 第5章 基于用户行为推荐算法的实验与分析39-47
• 5.1 实验流程39
• 5.2 数据集介绍39-40
• 5.3 数据预处理40-41
• 5.3.1 划分数据集40-41
• 5.3.2 聚类处理41
• 5.4 实验步骤41-43
• 5.4.1 提取特征41-42
• 5.4.2 归一化处理42-43
• 5.4.3 调整参数43
• 5.5 评判指标43-44
• 5.6 实验结果44-46
• 5.7 本章小结46-47
• 第6章 结论47-49
• 6.1 全文总结47
• 6.2 工作展望47-49
• 参考文献49-52
• 作者简介52-53
• 致谢53

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：638448