基于协同过滤的电子商务个性化推荐系统设计和实现
发布时间：2021-08-16 16:58
随着移动互联网技术和手机应用软件开发技术不断提高,大部分的智能手机用户对移动业务功能有了更高的要求,特别是使用手机进行网上购物的功能,以其快速地传播商品信息,便捷的购物功能,被广大用户喜爱和使用;其次随着互联网信息技术以及电子商务的迅速发展,人类已经逐渐步入信息过载的时代,“庞大臃肿”的电子商务数据导致用户很难及时地获取有效的数据信息,因此本文将个性化推荐技术和电子商务技术进行结合,实现更高效电子商务系统;电子商务个性化推荐系统主要研究工作如下:首先,针对个性化推荐数据进行特征提取效果差问题,本文提出了基于综合权重的TextRank算法,结合使用TF-IDF值、关键词词性、关键词位置、关键词词长等指标数据,利用G1赋权法的规则对关键词进行综合赋权,然后利用基于综合权重的TextRank算法对关键词权重进行迭代运算得出最终的综合权重,有效表示关键词的重要程度,并通过精确率、召回率以及F1Score均值等指标衡量基于综合权重的TextRank算法、传统的TextRank算法以及TF-IDF算法进行对比,得出基于综合权重的TextRank具有更好的关键词提取效果。其次,...
【文章来源】：广州大学广东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图2.1个性化推荐系统流程示意图
完成个性化推荐。推荐系统流程示意图如图 2.1 所示：图 2.1 个性化推荐系统流程示意图2.2 常见推荐系统方法2.2.1 基于关联规则的推荐基于关联规则的推荐的核心思想是挖掘出数据中用户、项目等之间的关联规则和关联度来进行个性化推荐。比如在电商系统、新闻热词等系统中，通过关联规则可以挖掘出系统中商品或者词汇经常被用户进行购买和搜索的关联规则和关联度，从而可以针对某个用户的行为，来判断该用户具体行为与这些关联度，将
基于综合权重的TextRank 算法的流程设计如图 3.2 所示：图 3.2 基于综合权重的 TextRank 关键词提取算法流程图3.2.3 SW-TextRank 算法实验验证为了有效验证 SW-TextRank 算法实验结果的有效性，需要对模型的检测输出值和真实值进行评估，常见的模型检测性能评估方式主要有：准确率、均方误差MSE、精确率、召回率和 F1_Score 均值等，本文主要采用精确率、召回率和F1_Score 均值模型进行评估[46]。精确率和召回率：精确率（Precision）和召回率（Recall）主要用于对算法模型分类效果进行衡量。假设模型真正的样本集合为 A，模型输出的正样本集合为 B ，则有：| |Pr ( , )| || |Re ( , )| |A Becision A BBA Bcall A BA (3.8)
【参考文献】：
期刊论文
[1]电子商务中基于客户偏好和情感评估的个性化推荐算法[J]. 杨茂保. 智能计算机与应用. 2018(03)
[2]基于SaaS模式的晋陕豫黄河金三角农产品电子商务平台框架分析与研究[J]. 刘小强. 三门峡职业技术学院学报. 2018(02)
[3]基于加权超图随机游走的文献关键词提取算法[J]. 马慧芳,刘芳,夏琴,郝占军. 电子学报. 2018(06)
[4]基于Spark的推荐系统的设计与实现[J]. 李星,李涛. 计算机技术与发展. 2018(10)
[5]电子商务中基于聚类的顾客满意度影响因素分析[J]. 杨波,黄晓兰. 湘潭大学自然科学学报. 2018(01)
[6]特征驱动的关键词提取算法综述[J]. 常耀成,张宇翔,王红,万怀宇,肖春景. 软件学报. 2018(07)
[7]基于词共现的关键词提取算法研究与改进[J]. 和志强,王丽鹏,张鹏云. 电子技术与软件工程. 2018(01)
[8]Android手机的智能家居语音控制系统设计[J]. 许秀富,吕小南. 单片机与嵌入式系统应用. 2018(01)
[9]基于随机森林算法的推荐系统的设计与实现[J]. 沈晶磊,虞慧群,范贵生,郭健美. 计算机科学. 2017(11)
[10]JAVA语言的开发平台及J2EE编程技术[J]. 柳青松. 电子技术与软件工程. 2017(17)
硕士论文
[1]基于ASP.NET的网上订货系统的设计与实现[D]. 王震平.湖北工业大学 2017
[2]PUSH机制下Web自适应学习系统设计与开发[D]. 冯井荣.云南师范大学 2015
[3]基于PUSH技术的CCN网络直播系统设计[D]. 向福林.北京邮电大学 2015
本文编号：3346053
【文章来源】：广州大学广东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图2.1个性化推荐系统流程示意图
完成个性化推荐。推荐系统流程示意图如图 2.1 所示：图 2.1 个性化推荐系统流程示意图2.2 常见推荐系统方法2.2.1 基于关联规则的推荐基于关联规则的推荐的核心思想是挖掘出数据中用户、项目等之间的关联规则和关联度来进行个性化推荐。比如在电商系统、新闻热词等系统中，通过关联规则可以挖掘出系统中商品或者词汇经常被用户进行购买和搜索的关联规则和关联度，从而可以针对某个用户的行为，来判断该用户具体行为与这些关联度，将
基于综合权重的TextRank 算法的流程设计如图 3.2 所示：图 3.2 基于综合权重的 TextRank 关键词提取算法流程图3.2.3 SW-TextRank 算法实验验证为了有效验证 SW-TextRank 算法实验结果的有效性，需要对模型的检测输出值和真实值进行评估，常见的模型检测性能评估方式主要有：准确率、均方误差MSE、精确率、召回率和 F1_Score 均值等，本文主要采用精确率、召回率和F1_Score 均值模型进行评估[46]。精确率和召回率：精确率（Precision）和召回率（Recall）主要用于对算法模型分类效果进行衡量。假设模型真正的样本集合为 A，模型输出的正样本集合为 B ，则有：| |Pr ( , )| || |Re ( , )| |A Becision A BBA Bcall A BA (3.8)
【参考文献】：
期刊论文
[1]电子商务中基于客户偏好和情感评估的个性化推荐算法[J]. 杨茂保. 智能计算机与应用. 2018(03)
[2]基于SaaS模式的晋陕豫黄河金三角农产品电子商务平台框架分析与研究[J]. 刘小强. 三门峡职业技术学院学报. 2018(02)
[3]基于加权超图随机游走的文献关键词提取算法[J]. 马慧芳,刘芳,夏琴,郝占军. 电子学报. 2018(06)
[4]基于Spark的推荐系统的设计与实现[J]. 李星,李涛. 计算机技术与发展. 2018(10)
[5]电子商务中基于聚类的顾客满意度影响因素分析[J]. 杨波,黄晓兰. 湘潭大学自然科学学报. 2018(01)
[6]特征驱动的关键词提取算法综述[J]. 常耀成,张宇翔,王红,万怀宇,肖春景. 软件学报. 2018(07)
[7]基于词共现的关键词提取算法研究与改进[J]. 和志强,王丽鹏,张鹏云. 电子技术与软件工程. 2018(01)
[8]Android手机的智能家居语音控制系统设计[J]. 许秀富,吕小南. 单片机与嵌入式系统应用. 2018(01)
[9]基于随机森林算法的推荐系统的设计与实现[J]. 沈晶磊,虞慧群,范贵生,郭健美. 计算机科学. 2017(11)
[10]JAVA语言的开发平台及J2EE编程技术[J]. 柳青松. 电子技术与软件工程. 2017(17)
硕士论文
[1]基于ASP.NET的网上订货系统的设计与实现[D]. 王震平.湖北工业大学 2017
[2]PUSH机制下Web自适应学习系统设计与开发[D]. 冯井荣.云南师范大学 2015
[3]基于PUSH技术的CCN网络直播系统设计[D]. 向福林.北京邮电大学 2015
本文编号：3346053
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3346053.html
