基于电商平台的用户推荐算法研究
发布时间：2021-11-24 15:27
随着电子商务的不断发展,网购用户规模日益增长,越来越多的学者投入到对电商平台的推荐算法研究。虽然取得了一定的成果,但仍有一些遗留问题亟需解决,如数据稀疏性、冷启动、推荐精度低等。本文首先阐述了本课题的研究意义和推荐系统的国内外研究现状,并对常用的推荐算法的理论基础、算法流程进行了详细的阐述,并分析其优缺点,总结目前技术存在的缺陷,同时还阐述了推荐算法的常用评测指标。为下文中改进算法提供理论基础。针对传统协同过滤推荐算法冷启动问题,本文提出一种基于标签权值的改进推荐算法。首先建立用户-商品-标签矩阵,对标签进行量化,构建新的用户喜好模型,引入标签权重的概念,引入词频-逆文档频率（TF-IDF）算法计算不同用户的标签权重,根据标签权重建立新的相似度计算方法。对相似度计算公式里的调节因子和用户近邻集合k的不同取值进行实验分析,最终得到推荐结果最精确时的最佳取值;并且将本文提出的算法与其他算法实验对比,根据实验结果得出本章提出的算法能得到更好的近邻集合,从而使得推荐结果更准确,并一定程度上缓解了冷启动问题。针对用户评分矩阵中的矩阵分解算法进行研究,本文提出一种基于社交好友关系的奇异值分解模型。...
【文章来源】：南京邮电大学江苏省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
网民的规模网络使用者数量庞大，所以每天都产生巨量的数据，经过时间的积累和技术的突破，我[3]
颖的、用户自身需求的商品推荐给他们，商品推荐系统因此在这样的背景下产生了。网购用户的数量随着网购环境[4]的改善日益增加，这促使了越来越多的学者纷纷投入到对电商平台的推荐系统[5]研究中。各大电商平依据用户的历史行为记录[6]如搜索、收藏加购、浏览详情页、分享好友等行为开发了推荐系统，向用户推荐之前买过的类似产品或者有潜在兴趣的产品，从而去满足用户的需求，提高购买欲[7]。协助消费用户从大量信息中找到符合需求的产品，帮助卖家提升商品的关注度，这是推荐系统要解决的核心问题。推荐系统的基本思想如下图1.2所示;图1.2推荐系统基本思想图在国内大型的互联网公司一般都会应用推荐系统。分析和研究用户的行为数据，挖掘出用户和产品之间的关联信息，并找出影响用户对产品的喜好度的因素，这是推荐系统的核心工作。推荐系统[8]的作用相当于导购人员，在了解买家的要求后，帮其快速找到满足其需求的产品，能增强用户的体验感信任度，增强平台的核心竞争力，增加产品的销售额[9]。电商平台的推荐系统[10]起到为用户寻找想要购买的产品并推送，推荐系统需要具备的功能如下[11]：
南京邮电大学硕士研究生学位论文第二章相关技术研究5第二章相关技术研究上一章介绍了电商平台用户推荐系统的背景及研究意义，以及课题的章节安排，本章将对课题涉及相关电商平台的推荐技术进行研究，以及这些技术的国内外研究现状，通过分析找到目前技术所存在的问题，为后续章节做铺垫。推荐系统研究2.1.1基于内容的推荐方法基于内容的推荐技术是依据商品内容的属性，找到商品的内在联系，通过抽取商品的特征值计算相似度。然后根据用户过去的行为记录，推荐类似的商品给用户。比如一个商品，有用户评论、热卖、商品风格、用户标签等等，都可以算是商品特征。我们可以从这些标签中提取出商品的特征向量。以内容为核心的推荐算法(ContentbasedRecommendations)是以相似度来衡量物品和用户行为数据的，将最能吸引用户兴趣的物品集呈现给用户[19]。系统分析用户购买过、浏览过的产品的属性[20]，再为其推荐与其有最高相似度的产品。下图2.1是该推荐系统具体案例。首先对数据进行建模，之后通过电影的属性值求解电影之间的相似度，因为电影A、C的标签都是“爱情、浪漫”，则认为A、C相似[21];最后生成推荐结果，用户A喜爱电影A，因此推荐电影C给用户A。图2.1基于内容推荐
【参考文献】：
期刊论文
[1]中国互联网络信息中心发布第43次《中国互联网络发展状况统计报告》[J]. 国家图书馆学刊. 2019(02)
[2]个性化推荐特征对消费者网络购买动机的影响[J]. 肖娥芳. 商业经济研究. 2018(24)
[3]通过评分特征优化基于K近邻的协同过滤算法[J]. 韩林峄,吴晟. 信息技术. 2018(12)
[4]新消费者重复购买意向预测研究[J]. 张李义,李一然,文璇. 数据分析与知识发现. 2018(11)
[5]2018第四届中国互联网企业发展论坛[J]. 互联网天地. 2018(07)
[6]融合用户背景和用户人格的话题推荐方法[J]. 范洪博,杨笑锋,张晶. 计算机应用与软件. 2018(07)
[7]一种基于加权因子的混合协同过滤算法[J]. 王婵. 电脑知识与技术. 2018(09)
[8]基于商品属性值和用户特征的协同过滤推荐算法[J]. 高长元,黄凯,王京,张树臣. 计算机工程与科学. 2017(12)
[9]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世. 计算机科学. 2017(S2)
[10]基于用户量化属性的多维相似度的协同过滤推荐算法[J]. 胡健,覃慧,梁雪雷. 江西理工大学学报. 2017(03)
博士论文
[1]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]针对冷启动推荐的分布式协同过滤研究[D]. 王稳寅.上海交通大学 2012
本文编号：3516252
【文章来源】：南京邮电大学江苏省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
网民的规模网络使用者数量庞大，所以每天都产生巨量的数据，经过时间的积累和技术的突破，我[3]
颖的、用户自身需求的商品推荐给他们，商品推荐系统因此在这样的背景下产生了。网购用户的数量随着网购环境[4]的改善日益增加，这促使了越来越多的学者纷纷投入到对电商平台的推荐系统[5]研究中。各大电商平依据用户的历史行为记录[6]如搜索、收藏加购、浏览详情页、分享好友等行为开发了推荐系统，向用户推荐之前买过的类似产品或者有潜在兴趣的产品，从而去满足用户的需求，提高购买欲[7]。协助消费用户从大量信息中找到符合需求的产品，帮助卖家提升商品的关注度，这是推荐系统要解决的核心问题。推荐系统的基本思想如下图1.2所示;图1.2推荐系统基本思想图在国内大型的互联网公司一般都会应用推荐系统。分析和研究用户的行为数据，挖掘出用户和产品之间的关联信息，并找出影响用户对产品的喜好度的因素，这是推荐系统的核心工作。推荐系统[8]的作用相当于导购人员，在了解买家的要求后，帮其快速找到满足其需求的产品，能增强用户的体验感信任度，增强平台的核心竞争力，增加产品的销售额[9]。电商平台的推荐系统[10]起到为用户寻找想要购买的产品并推送，推荐系统需要具备的功能如下[11]：
南京邮电大学硕士研究生学位论文第二章相关技术研究5第二章相关技术研究上一章介绍了电商平台用户推荐系统的背景及研究意义，以及课题的章节安排，本章将对课题涉及相关电商平台的推荐技术进行研究，以及这些技术的国内外研究现状，通过分析找到目前技术所存在的问题，为后续章节做铺垫。推荐系统研究2.1.1基于内容的推荐方法基于内容的推荐技术是依据商品内容的属性，找到商品的内在联系，通过抽取商品的特征值计算相似度。然后根据用户过去的行为记录，推荐类似的商品给用户。比如一个商品，有用户评论、热卖、商品风格、用户标签等等，都可以算是商品特征。我们可以从这些标签中提取出商品的特征向量。以内容为核心的推荐算法(ContentbasedRecommendations)是以相似度来衡量物品和用户行为数据的，将最能吸引用户兴趣的物品集呈现给用户[19]。系统分析用户购买过、浏览过的产品的属性[20]，再为其推荐与其有最高相似度的产品。下图2.1是该推荐系统具体案例。首先对数据进行建模，之后通过电影的属性值求解电影之间的相似度，因为电影A、C的标签都是“爱情、浪漫”，则认为A、C相似[21];最后生成推荐结果，用户A喜爱电影A，因此推荐电影C给用户A。图2.1基于内容推荐
【参考文献】：
期刊论文
[1]中国互联网络信息中心发布第43次《中国互联网络发展状况统计报告》[J]. 国家图书馆学刊. 2019(02)
[2]个性化推荐特征对消费者网络购买动机的影响[J]. 肖娥芳. 商业经济研究. 2018(24)
[3]通过评分特征优化基于K近邻的协同过滤算法[J]. 韩林峄,吴晟. 信息技术. 2018(12)
[4]新消费者重复购买意向预测研究[J]. 张李义,李一然,文璇. 数据分析与知识发现. 2018(11)
[5]2018第四届中国互联网企业发展论坛[J]. 互联网天地. 2018(07)
[6]融合用户背景和用户人格的话题推荐方法[J]. 范洪博,杨笑锋,张晶. 计算机应用与软件. 2018(07)
[7]一种基于加权因子的混合协同过滤算法[J]. 王婵. 电脑知识与技术. 2018(09)
[8]基于商品属性值和用户特征的协同过滤推荐算法[J]. 高长元,黄凯,王京,张树臣. 计算机工程与科学. 2017(12)
[9]一种融合聚类与用户兴趣偏好的协同过滤推荐算法[J]. 何明,孙望,肖润,刘伟世. 计算机科学. 2017(S2)
[10]基于用户量化属性的多维相似度的协同过滤推荐算法[J]. 胡健,覃慧,梁雪雷. 江西理工大学学报. 2017(03)
博士论文
[1]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]针对冷启动推荐的分布式协同过滤研究[D]. 王稳寅.上海交通大学 2012
本文编号：3516252
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3516252.html
最近更新
教材专著
