基于协同过滤的跨境电商推荐系统研究

发布时间：2020-11-06 18:40

　　 跨境电商作为电子商务中的一种新兴行业,其数据规模也如一般电子商务一样急剧扩大,用户面临着日益严重的“信息过载”问题。推荐系统作为解决该问题的有效手段,在学术界和企业界都已有了一定成果。但跨境电商由于涉及商品出入境,因此受到诸多政策法规的影响,产生了对推荐系统的一些特殊需求,导致传统协同过滤推荐算法对于跨境电商的商品推荐效果较差。本文先对现有协同过滤推荐系统的基本理论进行了总结和梳理,在此基础上,结合用户对商品属性的偏好以及情境化用户偏好来满足跨境电商推荐系统的系统需求。本文首先基于现有研究对推荐系统进行综述,梳理了构建推荐系统的要点。对于常见的推荐算法做了介绍和优缺点分析,同时也总结了推荐系统的评级方法与评价指标,给出了一些评价指标的计算方法。接着对传统协同过滤推荐算法做了详细说明与优缺点分析,在明确传统协同过滤推荐算法不足的基础上,针对跨境电商行业改进该算法。根据企业实际和国家政策法规,进行了系统需求分析,得到单人限购额度、爆品效应强等一系列跨境电商行业的特殊需求。然后提出了一种基于商品属性和情境化用户偏好的协同过滤推荐算法来满足系统需求,并给出了系统框架和算法流程。最后使用某跨境电商企业订单数据集,对本文提出的改进算法进行实验分析,与传统协同过滤推荐算法相比较,降低了协同过滤推荐算法中的数据稀疏性的影响,并验证了改进算法具有更好的推荐效果。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.3;F724.6;F274
【部分图文】：

图 2-2 国外知名企业所用推荐算法基于内容的推荐算法于内容的推荐算法是早期推荐系统所使用的推荐算法，它使用能代文本信息来产生推荐结果，一般使用概率统计和机器学习等技术实影推荐系统，该算法可能会利用电影中的元数据，如电影名称、导演用户的文字评论等信息来做出推荐。其基本原理如图 2-3 所示。电影2电影3类型：恐怖惊悚类型：喜剧动作相似

2 22 2, cos ,uvu vui vii Iui vii I i Ir ruvsim u v u vu v r r 相关系数计算公式如下： 2 2( ) ( ),( ) ( )uvu vui u vi vi Iui u vi vi I i Ir r r rsim u vr r r r 近邻搜索用户相似度之后，可依据用户相似度搜索具有与目标用户，通常有 K 最近邻法(K Nearest Neighbors, KNN)和阈值法邻法：无论近邻用户和目标用户的相似度是多少，都会挑选 个近邻用户，组成目标用户的最近邻集合。该方法中，K将相似度不高的近邻用户纳入最近邻的情形，导致最终个设置的过低则导致最近邻的偏好项目集过小，推荐结果多

实验中将按照 1:1 的比例随机划分数据集为训练集和测试集，使得每一个用户在训练集和测试集中都存在购买记录，且同一个用户在两个数据中购买的商品不相同。实验通过训练集计算出最近邻用户集，然后预测测试集中目标用户对他未产生过购买行为的商品的购买意向。由于算法采用 K 最近邻法选取最近邻，所以实验将在多组 K 值下，对比分析 User-CF 算法与本文提出的基于商品属性和情境化用户偏好的协同过滤推荐算法的推荐效果。5.3 结果分析为了验证本文提出的基于商品属性和情境化用户偏好的协同过滤推荐算法的有效性，首先要明确公式（4.2）提出的用户相似度度量方法与算法推荐结果质量之间的关系。在本实验中，将公式（4.2）中的 θ 值以 0.1 为步长并从 0 开始，逐渐提加到 1.0，K 最近邻法中 K 值分别取 30、40、50，然后观察不同权重 θ 对本算法推荐结果召回率的影响，实验结果如图 5-1 所示。
【相似文献】

相关期刊论文 前10条

1 许媛萍;;基于内容的推荐与协同过滤融合的新闻推荐分析与探究[J];新闻研究导刊;2018年13期

2 李改;邹小青;;基于隐式反馈的协同过滤算法研究综述[J];福建电脑;2018年11期

3 胡致杰;胡羽沫;;协同过滤推荐瓶颈问题研究[J];无线互联科技;2016年09期

4 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

5 檀亚宁;金泽明;陈辉;;基于项目协同过滤的电视产品营销推荐模型[J];科技资讯;2019年32期

6 张家鑫;刘志勇;张琳;张倩;莎仁;;基于协同过滤的多维度电影推荐方法研究[J];长春理工大学学报(自然科学版);2019年02期

7 杨莉;;基于时间因子的协同过滤算法研究[J];电脑知识与技术;2019年09期

8 章宗杰;陈玮;;基于标签扩展的协同过滤算法在音乐推荐中的应用[J];软件导刊;2018年01期

9 王婵;;一种基于加权因子的混合协同过滤算法[J];电脑知识与技术;2018年09期

10 刘文佳;张骏;;改进的协同过滤算法在电影推荐系统中的应用[J];现代商贸工业;2018年17期

相关博士学位论文 前10条

1 符明晟;基于深度学习的智能推荐技术研究[D];电子科技大学;2019年

2 顾梁;播存结构中基于协同过滤的内容推荐技术研究[D];东南大学;2017年

3 袁卫华;面向稀疏数据的多视图个性化推荐方法研究[D];山东师范大学;2018年

4 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

5 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

6 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年

7 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

8 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

9 姜邵巍;基于竞争关系的推荐技术研究[D];北京邮电大学;2014年

10 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 郭路路;基于稀疏数据的协同过滤推荐算法研究及实现[D];重庆邮电大学;2019年

2 朱煜;基于数据特征的任务分派方法研究与实现[D];南京师范大学;2019年

3 宋芳;基于项目流行度加权的协同过滤推荐系统研究与开发[D];宁夏大学;2019年

4 姜婧;推荐系统中协同过滤算法的研究与改进[D];南昌大学;2019年

5 姚叶慧;基于虚拟群组用户的协同过滤推荐算法研究[D];南京航空航天大学;2019年

6 孙楠;基于聚类的协同过滤算法研究[D];南昌大学;2019年

7 杨博;面向金融产品推荐的协同过滤算法研究[D];哈尔滨工业大学;2019年

8 潘斌强;融合用户信任网络模型的协同过滤推荐方法研究[D];哈尔滨工业大学;2018年

9 叶龚兵;基于协同过滤的电影推荐系统的研究[D];华南理工大学;2019年

10 韩滢晫;基于图数据库的音乐推荐系统的设计与实现[D];上海交通大学;2017年

本文编号：2873517