基于用户特征的购物推荐系统的研究与实现

发布时间：2021-06-01 01:53

　　随着互联网快速高效的发展,大数据、云计算的兴起,电子商务领域越来越注重个性化推荐,这不仅是因为物质生活水平的不断提升使得人们越来越追求精神上的满足,还因为个性化推荐系统能实现用户、系统平台和生产商“三赢”的局面。本文对推荐系统的发展现状以及相关推荐技术进行了研究,考虑到传统推荐算法中未涉及对用户特征的研究,且用户/项目评分矩阵数据稀疏严重难以解决,而用户特征在很大程度上对用户的兴趣爱好模型起决定性作用,本文在传统的基于用户的协同过滤（User-based Collaborative Filtering,UBCF）算法的思想上,将用户特征融入了新算法,设计出基于用户特征的推荐（User Characteristics-based Recommendation,UCBR）算法。本文归纳和总结了13个用户特征并进行了参数化表示,在通过K-means技术对用户进行了两次基于关键特征值聚类的基础上,基于用户属性特征集以及项目评分通过余弦相似度方法依次进行计算,得到目标用户最终的相似用户集后,通过优选率对相似用户集中用户对项目的评分以及项目购买次数进行处理,得到了Top-N项目推荐列表。然后通过离... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

CB推荐算法思想举例CBR算法实际上是一种分析并挖掘文本内容以提供相似内容文本的推荐技术，在文本层面的推荐领域里被广泛采用，如书籍推荐系统、新闻推荐系统、文献推荐系统

数据表关系图

sdata 表：是对商品信息的扩充，其中包含商品颜色、商品价格、商品型号以存量等。一条 goods 数据对应多条 goodsdata 数据，因为一件商品可能有多种格可选，不同颜色、不同规格的同种商品的数量也不同；s 表：为用户订单表，用户购买商品将会生成订单数据存于此表；data 表：是对 orders 表的补充，一条 orders 数据对应多条 orderdata 数据，因单可以包含多种商品； 表：用户购物车数据，当用户添加商品到购物车时，会生成一条购物车数据；ation 表：保存了用户对已购商品的评价，包括评分和文字描述；tadressdata 表：保存了用户的收货地址；eringdata 表：保存了经过关键特征聚类后的用户；imilarity 表：保存了相似度计算后得到的 Top-N 个相似用户；mendgoodsdata 表：保存了由推荐算法得到的推荐结果中的商品；ry 表：保存了用户浏览过的商品。程设计

【参考文献】：
期刊论文
[1]基于人脸识别的精准商品推送系统[J]. 张艺玲,徐玮,周宇帆,王雅琳,郑豪.  智能计算机与应用. 2020(09)



本文编号：3209426