面向电商平台客户购买问题的推荐模型研究 ——以服装鞋帽类商品为例
发布时间：2021-02-19 15:58
随着网购在人们日常生活中的比重日益增加,电商平台提供的服务越来越多样化。客户在电商平台上购买商品时,面对庞大的信息,会花费更多的时间选择,出现购物效率下降,购物决策难等购买问题。而准确高效的推荐系统可以帮助客户缩短购物时间,并且满足客户的个性化需求。本文通过对现有电商平台主要推荐模型进行比较。基于内容的推荐系统结果直观,可解释性好,但是其易受新客户、新商品的限制;基于关联规则的推荐系统易于发现新的偏好,但是规则抽取较困难;基于协同过滤的推荐系统个性化推荐效果好,而且随着时间的推移推荐效果不断提升,但是易受数据稀疏性影响。基于对以上三种模型的概述与比较,发现目前电商平台使用的推荐系统基本只考虑了客户历史行为数据,而对客户填写的在线评论研究较少。目前在线评论已成为客户决策的一个重要依据之一,因此,在线评论对于电商推荐模型也具有较高的应用价值。随着客户在使用平台时的习惯越来越好,产生了大量在线评论。评论中包含客户个人情感且对商品特征细致的描述信息,这些评论数据对于解释客户对商品的购买行为有很大帮助。基于此,本文结合在线评论数据的特点,以大型电商平台服装类商品评论数据为例,提出基于在线评论的推...
【文章来源】：首都经济贸易大学北京市
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
京东客户星级评价
如若平台重视，深度挖掘评论信息，可以更好的帮助平台为客户提供更加个性的推荐结果，提升客户对平台使用的满意度，以及平台自身的商业收益。（2）对客户在线评论文本内容挖掘、利用程度不够。图 1-1 以及图 1-2，是电商平台客户在线评论的评分星级。从商品本身、店家服务、物流、配送四方面进行了星级评定。但是商品符合度该项，由于商品自身的多样性，本文认为仅通过星级评分某种程度上是对客户购物体验信息获取的不完善和偏差，忽略了客户对商品多元的评价以及个性化的需求。电商平台包含着大量的客户针对购买商品的在线评论信息，在线评论作为客户电商平台购物后的直接产物，是对星级评分的完善，是客户对商品和服务最为直接而又真实的反馈。以更全面更贴近真实情况的了解商品与服务。图 1-1 京东客户星级评价
2图 1-3 在线评论文本信息因此，如何充分利用客户评论数据，是推动电商平台推荐系统改进的又一热点。本文在研究这一热点的同时，对比传统推荐模型算法，充分挖掘在线评论的价值意义，将
【参考文献】：
期刊论文
[1]意见挖掘结合图分类器的图书个性化推荐系统[J]. 陈显龙. 湘潭大学自然科学学报. 2017(03)
[2]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[3]国内电子商务个性化推荐研究进展:架构与实践[J]. 孙雨生,张晨,任洁,朱礼军. 现代情报. 2017(05)
[4]基于改进相似性度量的项目协同过滤推荐算法[J]. 于金明,孟军,吴秋峰. 计算机应用. 2017(05)
[5]面向商品评论文本的情感分析与挖掘[J]. 李涵昱,钱力,周鹏飞. 情报科学. 2017(01)
[6]国内电子商务网站推荐系统信息服务质量比较研究——以淘宝、京东、亚马逊为例[J]. 洪亮,任秋圜,梁树贤. 图书情报工作. 2016(23)
[7]混合用户和项目协同过滤的电子商务个性化推荐算法[J]. 李清霞,魏文红,蔡昭权. 中山大学学报(自然科学版). 2016(05)
[8]基于决策过程的个性化推荐系统设计[J]. 罗亚. 计算机工程与应用. 2017(14)
[9]基于情境聚类和用户评级的协同过滤推荐模型[J]. 邓晓懿,金淳,韩庆平,樋口良之. 系统工程理论与实践. 2013(11)
[10]基于用户兴趣的个性化推荐技术综述[J]. 宋雅婷,徐天伟. 云南大学学报(自然科学版). 2012(S1)
博士论文
[1]融合文本内容与情境信息的协同过滤推荐方法研究[D]. 段锐.合肥工业大学 2017
[2]基于在线评论挖掘的网络购物混合推荐模型及策略研究[D]. 李金海.江苏大学 2016
[3]面向电商平台客户持续购买问题的情境化推荐模型研究[D]. 卢琦蓓.浙江工商大学 2016
硕士论文
[1]云南旅游推荐系统信息提取与推荐算法研究[D]. 吴思霈.云南财经大学 2017
[2]大数据视角下非结构化文本数据的顾客满意度研究[D]. 杨磊磊.首都经济贸易大学 2017
[3]基于中小型电商平台的个性化推荐系统建模[D]. 梁德祥.华北电力大学(北京) 2017
[4]基于文本分析的推荐系统研究与实现[D]. 张婷.电子科技大学 2017
[5]B2C平台中物流服务评论与顾客购买后行为的关联性研究[D]. 蓝一珍.浙江理工大学 2017
[6]基于文本挖掘的电商用户评论分析与系统实现[D]. 易剑波.东南大学 2017
[7]我国网络借贷平台评级体系研究[D]. 杨明迪.首都经济贸易大学 2017
[8]电商用户数据分析研究[D]. 谢桂林.北京邮电大学 2017
[9]电子商务推荐系统对消费者购买决策的影响研究[D]. 胡静.河北大学 2016
[10]基于评论文本情感分析和概率模型的汽车推荐系统研究[D]. 陈卓.重庆大学 2016
本文编号：3041343
【文章来源】：首都经济贸易大学北京市
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
京东客户星级评价
如若平台重视，深度挖掘评论信息，可以更好的帮助平台为客户提供更加个性的推荐结果，提升客户对平台使用的满意度，以及平台自身的商业收益。（2）对客户在线评论文本内容挖掘、利用程度不够。图 1-1 以及图 1-2，是电商平台客户在线评论的评分星级。从商品本身、店家服务、物流、配送四方面进行了星级评定。但是商品符合度该项，由于商品自身的多样性，本文认为仅通过星级评分某种程度上是对客户购物体验信息获取的不完善和偏差，忽略了客户对商品多元的评价以及个性化的需求。电商平台包含着大量的客户针对购买商品的在线评论信息，在线评论作为客户电商平台购物后的直接产物，是对星级评分的完善，是客户对商品和服务最为直接而又真实的反馈。以更全面更贴近真实情况的了解商品与服务。图 1-1 京东客户星级评价
2图 1-3 在线评论文本信息因此，如何充分利用客户评论数据，是推动电商平台推荐系统改进的又一热点。本文在研究这一热点的同时，对比传统推荐模型算法，充分挖掘在线评论的价值意义，将
【参考文献】：
期刊论文
[1]意见挖掘结合图分类器的图书个性化推荐系统[J]. 陈显龙. 湘潭大学自然科学学报. 2017(03)
[2]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[3]国内电子商务个性化推荐研究进展:架构与实践[J]. 孙雨生,张晨,任洁,朱礼军. 现代情报. 2017(05)
[4]基于改进相似性度量的项目协同过滤推荐算法[J]. 于金明,孟军,吴秋峰. 计算机应用. 2017(05)
[5]面向商品评论文本的情感分析与挖掘[J]. 李涵昱,钱力,周鹏飞. 情报科学. 2017(01)
[6]国内电子商务网站推荐系统信息服务质量比较研究——以淘宝、京东、亚马逊为例[J]. 洪亮,任秋圜,梁树贤. 图书情报工作. 2016(23)
[7]混合用户和项目协同过滤的电子商务个性化推荐算法[J]. 李清霞,魏文红,蔡昭权. 中山大学学报(自然科学版). 2016(05)
[8]基于决策过程的个性化推荐系统设计[J]. 罗亚. 计算机工程与应用. 2017(14)
[9]基于情境聚类和用户评级的协同过滤推荐模型[J]. 邓晓懿,金淳,韩庆平,樋口良之. 系统工程理论与实践. 2013(11)
[10]基于用户兴趣的个性化推荐技术综述[J]. 宋雅婷,徐天伟. 云南大学学报(自然科学版). 2012(S1)
博士论文
[1]融合文本内容与情境信息的协同过滤推荐方法研究[D]. 段锐.合肥工业大学 2017
[2]基于在线评论挖掘的网络购物混合推荐模型及策略研究[D]. 李金海.江苏大学 2016
[3]面向电商平台客户持续购买问题的情境化推荐模型研究[D]. 卢琦蓓.浙江工商大学 2016
硕士论文
[1]云南旅游推荐系统信息提取与推荐算法研究[D]. 吴思霈.云南财经大学 2017
[2]大数据视角下非结构化文本数据的顾客满意度研究[D]. 杨磊磊.首都经济贸易大学 2017
[3]基于中小型电商平台的个性化推荐系统建模[D]. 梁德祥.华北电力大学(北京) 2017
[4]基于文本分析的推荐系统研究与实现[D]. 张婷.电子科技大学 2017
[5]B2C平台中物流服务评论与顾客购买后行为的关联性研究[D]. 蓝一珍.浙江理工大学 2017
[6]基于文本挖掘的电商用户评论分析与系统实现[D]. 易剑波.东南大学 2017
[7]我国网络借贷平台评级体系研究[D]. 杨明迪.首都经济贸易大学 2017
[8]电商用户数据分析研究[D]. 谢桂林.北京邮电大学 2017
[9]电子商务推荐系统对消费者购买决策的影响研究[D]. 胡静.河北大学 2016
[10]基于评论文本情感分析和概率模型的汽车推荐系统研究[D]. 陈卓.重庆大学 2016
本文编号：3041343
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3041343.html
