移动电商平台多维动态推荐技术研究

发布时间：2021-09-30 05:07

　　在互联网的数据量和信息量都呈指数级増长的背景中,好的推荐系统成为人们在信息海洋的指南针。因为推荐系统可以通过分析、研究用户的行为、兴趣、习惯和兴趣偏好等个性化的信息,进而构建用户的知识模型、兴趣模型等能推算用户特征的模型,最终把符合用户特征与用户兴趣的信息准确地提供给客户。目前,国内外已有的推荐算法大多是单维和静态的算法,它们仅基于时间的协同过虑,或只考虑到“用户-位置”。这样的推荐算法越来越不适用于具有多维和动态特征的移动环境。比如,基于位置协同的过滤算法通过分析移动用户的位置信息轨迹获得“用户-位置”评分矩阵,构建基于位置信息的用户偏好模型。而基于时间协同过滤的推荐算法,主要是通过分析移动用户兴趣变化在时间上表现出的特点,综合考虑遗忘规律、兴趣的持久度、衰减性、流行性和季节性等问题进行建模,已经具备了一定的时效性和动态性特征。本文最主要的工作是研究从单维到多维、从静态到动态的推荐技术,提出了一种融合了“位置、项目、时间”等多因子的多维动态协同过滤推荐算法,并应用在当前的移动电商平台中。该算法根据“时间、项目、位置”的多维信息在动态的移动电商平台中实现精准推荐。实验结果表明,与单维和... 

【文章来源】：广东技术师范大学广东省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

GSMAIntelligence公布的移动行业最终数据

法结合以实现优势互补，从而使用推荐系统更算法算法的基本思路我们可以用“1+1”的思维去理过几种常用的算法融合，实现不同算法的优势互是从科学性，适用性，还是解读性等方面都相般情况下都是以协同过滤推荐算法作为基础算实现优势互补。混合推荐算法如果归纳下，可以式三大类。合推荐算法：这种算法又可以分为特征组合与特所示。其中，推荐 1 代表该混合推荐算法中的第混合推荐算法中的第 n 种算法。

图 2-2 并行式混合推荐图流水线式混合推荐算法：分串联混合式、分级混合式两种。这种混的结果，可以作为另一种算法的输入。当然，还可以用一种算法先，然后再用另一种算法进行具体的推荐。如图 2-3 所示。其中，推合推荐算法中的第一种算法、推荐 n 所代表的是该混合推荐算法中。图 2-3 流水线式混合推荐图荐系统的关键技术

【参考文献】：
期刊论文
[1]移动图书馆情景感知信息推荐服务用户接受行为研究[J]. 李贺,侯力铁,祝琳琳.  图书情报工作. 2019(12)
[2]融合内容和改进协同过滤的个性化推荐算法[J]. 何波,潘力.  控制工程. 2018(08)
[3]整矩阵的满秩分解[J]. 王娇.  阜阳师范学院学报(自然科学版). 2017(03)
[4]Trust-Based Context-Aware Mobile Social Network Service Recommendation[J]. XU Jun,ZHONG Yuansheng,ZHU Wenqiang,SUN Feifei.  Wuhan University Journal of Natural Sciences. 2017(02)
[5]基于DRIS系统中的中文自动分词模块设计与实现[J]. 张昭楠,马亚蕾.  电子设计工程. 2016(14)
[6]基于改进K最近邻分类算法的不良网页并行识别[J]. 徐雅斌,李卓,陈俊伊.  计算机应用. 2013(12)
[7]基于小世界网络的用户位置行为兴趣模型[J]. 张少中,俞东云.  电信科学. 2012(02)
[8]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁.  软件学报. 2012(01)
[9]移动设备的个性化推荐在上下文感知应用[J]. 徐月美,姜薇,王溢策.  微计算机信息. 2009(21)
[10]基于协同过滤的移动电子商务个性化推荐系统若干研究[J]. 吴吉义,林志洁,龚祥国.  电子技术应用. 2007(01)

硕士论文
[1]面向B2C网站消费者在线购物行为的情境化推荐策略研究[D]. 陈宗琴.东南大学 2018
[2]基于用户兴趣及时间信息的个性化推荐系统研究[D]. 万驰.南昌航空大学 2018
[3]基于大数据的淘宝移动端个性化推荐策略优化研究[D]. 刘洪峰.兰州理工大学 2018
[4]基于时间效应和属性信息的推荐算法研究[D]. 叶宏图.西南交通大学 2018
[5]基于社交图片的用户上下文信息感知算法研究与实现[D]. 任怀贵.电子科技大学 2017
[6]基于多维情境的移动信息服务个性化推荐算法研究[D]. 乔磊.北京交通大学 2016



本文编号：3415186