基于复杂网络的B2C电子商务推荐系统研究

发布时间：2017-09-07 06:19

  本文关键词：基于复杂网络的B2C电子商务推荐系统研究

  更多相关文章： 推荐系统 B2C电子商务 推荐算法 二部图

【摘要】：在信息爆炸的时代，如何找到一种准确、高效的方法，使用户能快速、准确地定位到自己所需要的信息，引起了越来越多的学者的关注。推荐系统应运而生，成为了当前解决信息过载问题的非常有潜力的方法。 本文特别选取了B2C电子商务作为研究和应用的对象，因为推荐系统最典型的应用就是B2C电子商务领域，而且具有良好的发展和应用前景。本文在分析现有的推荐算法的基础上，从B2C电子商务推荐系统的基本需求出发，总结了现有推荐技术对B2C电子商务网站的适用性，提出了基于二部图B2C电子商务推荐模型，并设计了该模型上的推荐算法。此模型包括在线模块和离线模块两个部分。在离线模块中对用户结点进行了聚类处理，形成了相对较少的用户类结点。用户类结点在在线模块中与原有的产品结点形成了新的二部图，然后再利用基于二部图的资源扩散算法完成推荐。 离线模块的数据处理与用户结点的聚类处理都大大的降低了在线系统的计算量，系统的效率与速度都会有较大的提高。最后利用Amazon和天猫某品牌店的采集数据进行实验。与协同过滤算法比较在准确率、召回率、多样性三个算法指标上，都取得了更好的效果。
【关键词】：推荐系统 B2C电子商务 推荐算法 二部图
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP391.3
【目录】：

• 摘要3-4
• ABSTRACT4-5
• 目录5-7
• 第一章 绪论7-15
• 1.1 选题背景与研究意义7-8
• 1.2 国内外研究现状8-13
• 1.2.1 推荐系统研究现状8-12
• 1.2.2 复杂网络在推荐系统中的应用12-13
• 1.3 本文的主要工作与组织结构13-15
• 第二章 推荐系统相关算法概述15-27
• 2.1 协同过滤推荐算法15-18
• 2.1.1 基于记忆的协同过滤算法15-17
• 2.1.2 基于模型的协同过滤算法17-18
• 2.2 基于内容的推荐算法18-19
• 2.3 混合推荐算法19-21
• 2.3.1 组合独立的推荐结果20
• 2.3.2 协同过滤中加入基于内容的推荐算法20
• 2.3.3 基于内容的推荐算法中加入协同过滤算法20
• 2.3.4 联合的基于内容推荐和协同过滤的推荐模型20-21
• 2.4 基于图的推荐算法21-25
• 2.4.1 复杂网络介绍21-23
• 2.4.2 二部图简介23
• 2.4.3 基于二部图的推荐算法23-25
• 2.5 本章小结25-27
• 第三章 B2C 电子商务推荐需求分析27-35
• 3.1 B2C 电子商务推荐过程描述27-28
• 3.2 B2C 电子商务推荐需求分析28-30
• 3.2.1 B2C 电子商务推荐中用户需求分析28-30
• 3.2.2 B2C 电子商务推荐中商家需求分析30
• 3.3 现有推荐技术对 B2C 电子商务推荐需求满足分析30-33
• 3.3.1 基于内容推荐31
• 3.3.2 协同过滤技术31
• 3.3.3 基于用户统计信息的推荐31-32
• 3.3.4 基于知识的推荐32
• 3.3.5 基于数据挖掘的推荐32
• 3.3.6 现有推荐技术对 B2C 电子商务推荐需求满足对比32-33
• 3.4 本章小结33-35
• 第四章 基于二部图的 B2C 电子商务推荐模型35-45
• 4.1 模型的输入与输出35-37
• 4.1.1 输入数据36-37
• 4.1.2 输出数据37
• 4.2 数据预处理37-39
• 4.3 商品推荐39-40
• 4.4 推荐系统的结构40-42
• 4.4.1 组合式结构40-41
• 4.4.2 分离式结构41-42
• 4.5 基于二部图的 B2C 电子商务推荐模型模块功能分析42-44
• 4.5.1 离线模块42-43
• 4.5.2 在线模块43
• 4.5.3 离线模块与在线模块比较43-44
• 4.6 本章小结44-45
• 第五章 基于二部图的 B2C 电子商务推荐算法45-57
• 5.1 引言45
• 5.2 聚类在基于二部图的 B2C 电子商务推荐算法中的应用45-49
• 5.2.1 离线的用户聚类算法45-48
• 5.2.2 基于聚类的二部图推荐算法48-49
• 5.3 推荐算法的评价指标49-50
• 5.4 数据验证与数据分析50-55
• 5.4.1 实验过程50-52
• 5.4.2 准确率指标实验及结果分析52-53
• 5.4.3 多样性指标实验及结果分析53-54
• 5.4.4 召回率指标实验结果及数据分析54-55
• 5.5 本章小结55-57
• 第六章 总结57-59
• 6.1 本文工作总结57
• 6.2 下一步工作57-59
• 致谢59-61
• 参考文献61-67
• 读研期间研究成果67-68

【参考文献】

中国期刊全文数据库 前10条

1 李涛;王建东;叶飞跃;;推荐系统中一种新的相似性计算方法[J];计算机科学;2007年08期

2 尚明生;相关任务图的一种有效并行调度算法[J];计算机工程;2005年14期

3 陈婷;韩伟力;杨珉;;基于隐私保护的个性化推荐系统[J];计算机工程;2009年08期

4 胡迎松;韩苹;陈中新;;一个基于Agent的个性化推荐系统[J];计算机应用研究;2006年04期

5 蒋国瑞;青海;黄梯云;;一种柔性的电子商务推荐系统[J];计算机应用研究;2009年03期

6 邓爱林,朱扬勇,施伯乐;基于项目评分预测的协同过滤推荐算法[J];软件学报;2003年09期

7 张光卫;李德毅;李鹏;康建初;陈桂生;;基于云模型的协同过滤推荐算法[J];软件学报;2007年10期

8 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期

9 周涛,柏文洁,汪秉宏,刘之景,严钢;复杂网络研究概述[J];物理;2005年01期

10 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期

中国博士学位论文全文数据库 前3条

1 刘倩;基于客户关系发展阶段的推荐系统特性需求分析[D];华中科技大学;2011年

2 贾春晓;基于复杂网络的推荐算法和合作行为研究[D];中国科学技术大学;2011年

3 单友成;CRM中模糊数据挖掘及客户生命周期价值与客户满意度研究[D];天津大学;2009年

中国硕士学位论文全文数据库 前7条

1 陈艳;基于数据挖掘的卷烟配方质量SPA研究[D];中国海洋大学;2010年

2 林杰;基于粒子群优化的加权朴素贝叶斯分类研究[D];云南财经大学;2011年

3 李伟;基于关联规则B2C图书销售网站个性化推荐系统研究[D];对外经济贸易大学;2007年

4 张亚伟;基于移动agent的分布式个性化推荐系统研究[D];广西大学;2007年

5 裘立波;基于协同过滤的信息商品个性化捆绑推荐研究[D];合肥工业大学;2009年

6 罗兆波;面向社会网络分析的数据挖掘方法研究[D];浙江大学;2010年

7 李向阳;基于支持向量机的情报数据分类挖掘[D];西安电子科技大学;2009年

，

本文编号：807896