大数据环境下电子商务个性化推荐算法应用研究

发布时间：2017-08-11 12:41

  本文关键词：大数据环境下电子商务个性化推荐算法应用研究

  更多相关文章： 个性化推荐 大数据 物流服务推荐 增量更新 电子商务

【摘要】：随着电子商务规模的不断扩大,个性化推荐技术已经得到广泛应用。然而,传统推荐系统已经无法满足当前数据处理的需求,具备良好的大数据处理能力成为新型个性化推荐系统的基本要求。此外,传统推荐系统往往局限于有形商品推荐,对于电商物流服务推荐关注较少。本文通过对电子商务环境下的信息个性化推荐服务进行深入研究,结合大数据的应用背景：首先,针对传统算法的不足,从推荐模型增量更新着手,提出了用户相异度的概念,并在此基础上构建了增量更新的用户相异度矩阵模型,同时结合Hadoop云计算平台对模型实现了分布式构建。模型内在的增量更新与外在的大数据处理技术支持,二者相辅相成,使得模型能够对大数据进行高效处理。其次,将用户相异度矩阵作为推荐模型,提出了IU-UserCF和UDB-Slope One推荐算法。基于增量更新推荐模型的这两种算法具备良好的扩展性,能够有效处理大数据,并且具有很高的预测准确性。最后,将提出的算法应用于实际系统,以电商物流服务作为推荐对象,以IU-UserCF作为推荐算法,研究构建了面向电商物流服务的个性化推荐系统。该电商物流服务推荐系统对大数据下推荐算法的应用实践进行了探索,丰富了个性化推荐技术的应用场景。
【关键词】：个性化推荐 大数据 物流服务推荐 增量更新 电子商务
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3;F724.6;F274
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-14
• 第一章 绪论14-20
• 1.1 研究背景及意义14-16
• 1.1.1 研究背景14-16
• 1.1.2 研究意义16
• 1.2 国内外研究现状16-18
• 1.3 论文主要内容18-19
• 1.3.1 研究内容18
• 1.3.2 论文结构安排18-19
• 1.4 本文创新点19-20
• 第二章 相关理论与技术20-28
• 2.1 个性化推荐系统20-24
• 2.1.1 推荐系统的一般描述20
• 2.1.2 常见的推荐技术20-24
• 2.2 大数据理论24-25
• 2.2.1 大数据的产生背景24
• 2.2.2 大数据的基本概念及特征24-25
• 2.3 Hadoop平台25-28
• 2.3.1 Hadoop概述25
• 2.3.2 分布式文件系统HDFS25-26
• 2.3.3 MapReduce编程模型26-28
• 第三章 增量更新推荐模型及云实现28-36
• 3.1 增量更新28
• 3.1.1 基本概念及特点28
• 3.1.2 增量更新对于大数据处理的作用28
• 3.2 传统相似性度量方法28-31
• 3.2.1 主要相似性度量方法介绍29-30
• 3.2.2 传统相似性度量方法问题分析30-31
• 3.3 增量更新推荐模型31-33
• 3.3.1 用户相异度31
• 3.3.2 模型构建流程31-32
• 3.3.3 模型增量更新策略32-33
• 3.3.4 计算复杂度分析33
• 3.4 增量更新模型基于Hadoop云实现33-36
• 第四章 IU-UserCF和UDB-Slope One算法36-48
• 4.1 UserCF算法简介36-37
• 4.2 IU-UserCF算法37-38
• 4.3 Slope One算法38-41
• 4.3.1 Slope One原理及实现38-40
• 4.3.2 Slope One问题分析40
• 4.3.3 研究现状及不足40-41
• 4.4 UDB-Slope One算法41-42
• 4.4.1 基本思想41
• 4.4.2 预测流程41-42
• 4.5 实验结果及分析42-48
• 4.5.1 实验数据集42-43
• 4.5.2 度量标准43
• 4.5.3 结果及分析43-48
• 第五章 电商物流服务个性化推荐系统构建48-54
• 5.1 电商物流服务48-49
• 5.2 物流领域推荐研究现状49
• 5.3 系统构建意义49-50
• 5.4 系统分析50-51
• 5.4.1 需求分析50
• 5.4.2 业务流程分析50-51
• 5.4.3 数据流程分析51
• 5.5 系统设计51-54
• 5.5.1 功能模块设计51-52
• 5.5.2 数据库设计52-53
• 5.5.3 系统架构设计53-54
• 第六章 总结与展望54-56
• 参考文献56-60
• 附录MapReduce代码60-62
• 攻读硕士学位期间的学术活动及成果情况62-63

【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：656205