基于支持向量机模型的电子商务推荐算法研究

发布时间：2017-08-26 13:06

  本文关键词：基于支持向量机模型的电子商务推荐算法研究

  更多相关文章： 电子商务 推荐算法 支持向量机 用户特征 推荐模型

【摘要】：随着互联网的普及和电子商务的发展,电子商务系统为用户提供了越来越多的选择,与此同时它的结构也变得愈加复杂,这就会造成用户在大量的商品信息空间中迷失,无法顺利找到自己想要的商品。于是电子商务推荐系统应运而生,它可以与用户进行交流,从而帮助用户找到他们所需的商品。本文除了对现有的电子商务推荐算法进行总结外还针对用户类型的不同提出了两种基于模型的推荐算法,从而可以适当解决原始推荐系统中的数据稀疏性问题、系统可扩展性问题及冷启动问题。 首先,由于支持向量机技术在处理高维稀疏数据分类问题中的优越性能,本文以其为基础分别从基于用户和基于项目两种角度建立了简洁的离线分类模型并指导预测。同时研究了标签阈值的选取以及数据集稀疏度对推荐算法的影响等。实验结果显示该算法准确率较高,能够在一定程度上缓解数据的稀疏性问题。由于要用到大量的用户评分数据,所以该算法适用于具有较多购物记录的老用户。另外该算法只需一次建立模型,之后每次只需调入该模型即可,所以具有一定的可扩展性。 其次,由于热门商品的重要性,本文还针对热门商品提出了一种基于用户特征的支持向量机回归推荐算法。算法通过使用热门商品客户群体的个人属性和行为特征数据来构建基于支持向量机的回归模型,从而指导预测用户对商品的评分。该回归算法只针对评分密集的热门商品建模从而有效的克服了数据稀疏性问题。实验与传统协同过滤算法进行了比较,结果显示该方法可以有效降低平均绝对误差,推荐效果显著。模型建立过程中还使用了一种参数优化选择方法,能够明显提高回归效果。另外由于该算法使用的是用户属性及行为特征数据,所以能够在一定程度上解决冷启动问题。其适用于对购物记录较少的新用户进行推荐。 最后,本文结合所提的推荐算法给出了推荐系统的原型设计,并给出了整个推荐系统的系统框架、数据存储方式和功能模块图,这种原型可以更好的满足不同类型用户的需求。
【关键词】：电子商务 推荐算法 支持向量机 用户特征 推荐模型
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-13
• 1.1 电子商务推荐系统的产生9
• 1.2 国内外研究现状9-11
• 1.2.1 国外研究现状10
• 1.2.2 国内研究现状10-11
• 1.3 本文研究内容11-12
• 1.4 本文组织结构12-13
• 2 电子商务推荐系统相关技术13-21
• 2.1 总体概述13-17
• 2.1.1 系统结构13-15
• 2.1.2 推荐过程15
• 2.1.3 系统分类15-16
• 2.1.4 系统意义16
• 2.1.5 面临的挑战16-17
• 2.2 推荐算法17-18
• 2.2.1 协同过滤算法17
• 2.2.2 基于内容的算法17-18
• 2.2.3 混合推荐算法18
• 2.3 评价标准18-20
• 2.3.1 平均绝对误差18-19
• 2.3.2 平均平方误差19
• 2.3.3 准确率和召回率19
• 2.3.4 预测时间19
• 2.3.5 覆盖率19-20
• 2.4 本章小结20-21
• 3 基于支持向量机分类的电子商务推荐算法21-31
• 3.1 算法提出的背景21-22
• 3.2 支持向量机分类原理22-24
• 3.3 算法描述24-26
• 3.4 实验与结果分析26-30
• 3.5 本章小结30-31
• 4 基于支持向量机回归的电子商务推荐算法31-41
• 4.1 算法提出的背景31-32
• 4.2 支持向量机回归原理32-33
• 4.3 算法描述33-35
• 4.4 实验与结果分析35-40
• 4.5 本章小结40-41
• 5 推荐系统原型设计41-55
• 5.1 设计原则41-42
• 5.2 概要设计42-45
• 5.2.1 功能结构42-43
• 5.2.2 整体框架43-44
• 5.2.3 推荐流程44-45
• 5.3 模块设计45-51
• 5.3.1 商品信息模块46-47
• 5.3.2 用户信息模块47-50
• 5.3.3 分析过滤模块50-51
• 5.3.4 推荐实施模块51
• 5.4 系统适用性51-52
• 5.5 用户体验的重要性52
• 5.6 本章小结52-53
• 结论53-55
• 参考文献55-58
• 攻读硕士学位期间发表学术论文情况58-59
• 致谢59-60

【参考文献】

中国期刊全文数据库 前3条

1 祁亨年;支持向量机及其应用研究综述[J];计算机工程;2004年10期

2 余力,刘鲁;电子商务个性化推荐研究[J];计算机集成制造系统;2004年10期

3 吕成戍;王维国;丁永健;;基于KNN-SVM的混合协同过滤推荐算法[J];计算机应用研究;2012年05期

中国博士学位论文全文数据库 前1条

1 邓爱林;电子商务推荐系统关键技术研究[D];复旦大学;2003年

中国硕士学位论文全文数据库 前1条

1 张娜;电子商务环境下的个性化信息推荐服务及应用研究[D];合肥工业大学;2007年

，

本文编号：741614