基于情景感知中央红沃沃购电商用户兴趣推荐研究
发布时间：2020-03-31 04:54
【摘要】：随着时代的发展和科技的进步,电子商务逐渐成为了人们交易方式,使人们生活在大数据的环境中,面对海量的信息,导致用户需要消耗大量的时间成本去挑选、辨别适合自身的产品,甚至无从选择。这种现象的出现是必然,也是急需解决的情况。电子商务领域中需要有推荐系统智能地帮助用户筛选出自身所需的信息,而评价推荐系统的优良是由推荐算法决定的。由于目前协同过滤算推荐算法存在数据值单一、数据量稀少、实时性差、计算量大、推荐效率低等问题,论文在中央红沃沃购电子商务企业协同过滤推荐算法的应用研究基础上,进行了进一步的研究,论文整体研究内容如下:(1)针对传统协同过滤算法中推荐效率低、计算量大的问题,提出了基于改进人工蜂群算法(Improved Artificial Bee Colony Algorithm,IABC)的 K-means 聚类协同推荐算法。论文通过初始化、适应度函数两方面来对人工蜂群算法(Artificial Bee Colony Algorithm.ABC)进行改进,与K-means迭代结合,得到更加精准的聚类效果,再并入协同过滤算法,完成推荐。通过实验分析证明了基于IABC算法的K-means聚类协同过滤推荐效果比传统协同过滤算法和基于K-means聚类的协同推荐算法更好,可有效地应用在中央红沃沃购电商平台的推荐系统中。(2)针对传统协同过滤算法中数据稀疏性、实时性差和数据值单一的问题,提出了基于情景感知的用户兴趣模型(Context-Awareness User Interest Model,CA-UI)。论文通过用户的显式行为和隐式行为记录数据,从而丰富了数据量,在一定程度缓解了数据稀疏性的问题,同时将用户实时行为和情景因素引入,使数据不再是单一的布尔量化值,而是精准地表现了用户对项目的关注程度,得到用户-项目关注度矩阵,解决了实时性差和数据值单一的问题,有效地缓解了中央红沃沃购电商平台的用户数据稀缺的问题。(3)运用基于IABC算法的K-means聚类协同推荐算法对用户进行推荐,保证个性化推荐在推荐性能和推荐精度上的优越性。通过实验分析证明了基于IABC算法的K-means聚类协同过滤推荐算法在基于情景感知的用户兴趣模型(CA-UI)推荐方面具有更好效果,能够有效地解决中央红沃沃购电商平台推荐系统存在的问题。论文针对协同过滤算法的不足,提出了基于情景感知的用户兴趣模型(CA-UI)和用户聚类协同推荐算法。利用基于IABC算法的K-means聚类协同推荐算法对关注度矩阵中的用户进行推荐。通过实验表明基于CA-UI模型及用户聚类协同推荐算法的推荐效果比传统协同过滤推荐效果好,能够更好地为中央红沃沃购电商平台的用户提供个性化的推荐。
【图文】：
２０１２年的１２倍；中国的数据量在２０２０年超过８ＺＢ，比２０１２年增长２２倍。可以看出逡逑虽然拥有海量的信息，但用户从中寻找对自己有用的信息难度更大，效率更低。目前信逡逑息超载的问题解决方案如图２－１所示：逡逑翻店（黯灥览）逡逑逦—■逦ｍｍｍｍ逡逑，逦￣逦￣＾逦茺目的逦r>逛逡逑解决信息过载问题逦…－逡逑逦逦逦逡逑逦逦目的明确逦电裔网姑（搜索引擎，信息裣索）逡逑—■邋＃ｒ逦逦逦逦—逡逑逦逦邋无目的逦个性化鹿荐逡逑图２－１解决信息过载问题逡逑Ｆｉｇ．邋２－１邋Ｓｏｌｖｅｓ邋ｔｈｅ邋ｐｒｏｂｌｅｍ邋ｏｆ邋ｉｎｆｏｒｍａｔｉｏｎ邋ｏｖｅｒｌｏａｄ逡逑中央红沃沃购电商平台的推荐系统主要是利用用户的显式和隐式行为，深度挖掘用逡逑户的潜在兴趣，满足用户的个性化需求。推荐系统的精准度高和推荐速度快会使用户对逡逑推荐系统产生信任感，保证了客户对某平台产生依赖感。所以，推荐系统不仅能为用户逡逑提供个性化服务，还能与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失［３２］。逡逑７逡逑
用户逡逑推栛邋＞逦〉推｜３象逡逑图２－２推荐系统通用模型逡逑Ｆｉｇ．邋２－２邋Ｒｅｃｏｍｍｅｎｄｅｄ邋ｓｙｓｔｅｍ邋ｇｅｎｅｒａｌ邋ｍｏｄｅｌ逡逑常规的推荐系统推荐流程如下：（１）利用用户行为，建立用户－项目矩阵；（２）逡逑通过项目的自身属性信息，建立推荐项目模型；（３）通过挖掘用户的偏好信息和项目逡逑的属性信息，再利用推荐算法选取与用户偏好匹配度高的项目，推荐给用户。逡逑用户邋逦？获取用户信息逦？建立用户模型逦？模型更新逡逑逦＾推荐结果反馈或逦逡逑兴趣需求变化逡逑逦提供推荐结果■＜——｜邋利用模型推荐逡逑图２－３用户建模过程逡逑Ｆｉｇ．邋２－３邋Ｕｓｅｒ邋ｍｏｄｅｌｉｎｇ邋ｐｒｏｃｅｓｓ逡逑评价推荐系统的优劣主要在于推荐算法。目前常用的推荐算法，如下图２－４所示：逡逑一基于内容的推荐算法逡逑—ｒ————￣基于羯户协同推荐算法逡逑■踩媝资遽逦基于协同过滤的酵算法＿逡逑逦邋逦Ｊ基于灥}摈刖ㄥ义匣旌贤萍鏊惴ㄥ义贤迹玻赐萍鏊惴ǚ掷噱义希疲椋纾澹玻村澹遥澹悖铮恚恚澹睿洌澹溴澹幔欤纾铮颍椋簦瑁礤澹悖欤幔螅螅椋妫椋悖幔簦椋铮铄义希稿义，
本文编号：2608595
【图文】：
２０１２年的１２倍；中国的数据量在２０２０年超过８ＺＢ，比２０１２年增长２２倍。可以看出逡逑虽然拥有海量的信息，但用户从中寻找对自己有用的信息难度更大，效率更低。目前信逡逑息超载的问题解决方案如图２－１所示：逡逑翻店（黯灥览）逡逑逦—■逦ｍｍｍｍ逡逑，逦￣逦￣＾逦茺目的逦r>逛逡逑解决信息过载问题逦…－逡逑逦逦逦逡逑逦逦目的明确逦电裔网姑（搜索引擎，信息裣索）逡逑—■邋＃ｒ逦逦逦逦—逡逑逦逦邋无目的逦个性化鹿荐逡逑图２－１解决信息过载问题逡逑Ｆｉｇ．邋２－１邋Ｓｏｌｖｅｓ邋ｔｈｅ邋ｐｒｏｂｌｅｍ邋ｏｆ邋ｉｎｆｏｒｍａｔｉｏｎ邋ｏｖｅｒｌｏａｄ逡逑中央红沃沃购电商平台的推荐系统主要是利用用户的显式和隐式行为，深度挖掘用逡逑户的潜在兴趣，满足用户的个性化需求。推荐系统的精准度高和推荐速度快会使用户对逡逑推荐系统产生信任感，保证了客户对某平台产生依赖感。所以，推荐系统不仅能为用户逡逑提供个性化服务，还能与用户建立长期稳定的关系，提高用户忠诚度，防止用户流失［３２］。逡逑７逡逑
用户逡逑推栛邋＞逦〉推｜３象逡逑图２－２推荐系统通用模型逡逑Ｆｉｇ．邋２－２邋Ｒｅｃｏｍｍｅｎｄｅｄ邋ｓｙｓｔｅｍ邋ｇｅｎｅｒａｌ邋ｍｏｄｅｌ逡逑常规的推荐系统推荐流程如下：（１）利用用户行为，建立用户－项目矩阵；（２）逡逑通过项目的自身属性信息，建立推荐项目模型；（３）通过挖掘用户的偏好信息和项目逡逑的属性信息，再利用推荐算法选取与用户偏好匹配度高的项目，推荐给用户。逡逑用户邋逦？获取用户信息逦？建立用户模型逦？模型更新逡逑逦＾推荐结果反馈或逦逡逑兴趣需求变化逡逑逦提供推荐结果■＜——｜邋利用模型推荐逡逑图２－３用户建模过程逡逑Ｆｉｇ．邋２－３邋Ｕｓｅｒ邋ｍｏｄｅｌｉｎｇ邋ｐｒｏｃｅｓｓ逡逑评价推荐系统的优劣主要在于推荐算法。目前常用的推荐算法，如下图２－４所示：逡逑一基于内容的推荐算法逡逑—ｒ————￣基于羯户协同推荐算法逡逑■踩媝资遽逦基于协同过滤的酵算法＿逡逑逦邋逦Ｊ基于灥}摈刖ㄥ义匣旌贤萍鏊惴ㄥ义贤迹玻赐萍鏊惴ǚ掷噱义希疲椋纾澹玻村澹遥澹悖铮恚恚澹睿洌澹溴澹幔欤纾铮颍椋簦瑁礤澹悖欤幔螅螅椋妫椋悖幔簦椋铮铄义希稿义，
本文编号：2608595
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/2608595.html
