基于用户参考价格倾向度的协同过滤推荐算法研究

发布时间：2017-05-08 12:09

  本文关键词：基于用户参考价格倾向度的协同过滤推荐算法研究，由笔耕文化传播整理发布。

【摘要】：随着互联网上“信息超载”问题的日益凸显,传统搜索引擎对于用户个性化的信息获取需求越来越难以满足。目前,针对这一问题,推荐系统正越来越广泛的应用在很多领域,协同过滤推荐是目前广泛成功应用的一种推荐策略。当前协同过滤推荐考察的基本数据主要是用户对物品的评分,在基于评分的基础上寻求用户或物品相似性。然而,现实中人们购物不仅仅取决于商品的评价,更多的还要根据消费者自身条件及生活习惯等因素,一些用户倾向于购买较昂贵的商品,而另一些用户倾向于购买较廉价的商品,每个用户都有自身对商品的参考价格,这个参考价格对用户的最终购买决策往往有着较大影响。一般而言,参考价格倾向度水平较为相似的用户在最终选择购买物品时对商品的价格倾向往往也较为相似,因此在推荐决策的过程中将商品价格因素考虑进去很有必要,在向用户推荐时将最符合用户消费心理价位的商品推荐给用户,可以一定程度上提高推荐的准确度。目前,鲜有从用户对物品的参考价格倾向度这个角度对推荐策略进行研究的。本文结合电商领域特性,针对上述问题,提出了基于用户参考价格倾向度的协同过滤推荐算法的研究。文中首先介绍了本课题的研究背景、明确了课题的研究意义。并查阅相关文献,介绍了电商推荐的国内外研究现状;其次,详细介绍了课题研究所涉及到的相关技术和理论,具体包括消费者价格心理、消费者参考价格、商品价格等级。在此基础上本文提出了一种基于用户参考价格倾向度的协同过滤推荐思路。该思路根据用户的历史购买记录结合商品价格区间,形成用户对物品的参考价格倾向度矩阵,从用户参考价格倾向度的角度寻求用户之间的相似性,并根据物品价格等级与用户对物品的价格倾向进行加权评分预测。同时,论文还提出了综合加权基于用户参考价格倾向度和传统的基于用户评分相似性的混合推荐算法。经过本课题的研究表明,基于用户参考价格倾向度的协同过滤推荐算法的研究与改进能够更准确的反应消费者的消费价值趋向,切实的提高了预测推荐精度,这对于电商推荐系统的商品推荐机制具有重要意义的。
【关键词】：电商 参考价格 协同过滤 推荐
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 课题研究背景及意义10
• 1.2 国内外研究现状10-13
• 1.2.1 国外研究现状11-12
• 1.2.2 国内研究现状12-13
• 1.3 主要研究工作13-14
• 1.4 论文的组织结构14-15
• 第2章 推荐算法研究15-27
• 2.1 推荐算法概述15-16
• 2.2 经典的推荐算法16-22
• 2.2.1 基于内容的推荐算法16-17
• 2.2.2 协同过滤算法17-21
• 2.2.3 混合推荐算法21-22
• 2.3 推荐算法的研究框架与性能指标22-25
• 2.3.1 推荐算法研究框架22-23
• 2.3.2 推荐性能评估指标23-25
• 2.4 当前推荐算法存在的问题25-26
• 2.5 本章小结26-27
• 第3章 用户参考价格与用户参考价格倾向度27-36
• 3.1 消费者价格心理27-29
• 3.1.1 影响消费者价格心理的因素27-28
• 3.1.2 价格心理特征及购买偏好28-29
• 3.2 消费者参考价格及模型29-33
• 3.2.1 影响参考价格的因素30-32
• 3.2.2 参考价格模型32-33
• 3.3 用户参考价格倾向度33-34
• 3.3.1 商品的价格等级33-34
• 3.3.2 用户参考价格倾向度34
• 3.4 本章小结34-36
• 第4章 基于用户参考价格倾向度的协同过滤推荐算法36-53
• 4.1 算法改进出发点及总体思路36-38
• 4.1.1 算法改进出发点36-37
• 4.1.2 算法改进总体思路37-38
• 4.2 基于用户参考价格倾向度的协同过滤推荐算法改进38-45
• 4.2.1 商品价格指数衡量38-39
• 4.2.2 用户参考价格倾向度39-40
• 4.2.3 用户参考价格倾向度矩阵40-42
• 4.2.4 计算用户相似性42-43
• 4.2.5 推荐预测43-44
• 4.2.6 推荐流程44-45
• 4.3 基于加权的推荐算法改进45-47
• 4.3.1 具体的进一步加权改进45-46
• 4.3.2 推荐流程46-47
• 4.4 算法实现及展示47-52
• 4.4.1 算法推荐展示47-49
• 4.4.2 算法实现伪代码49-52
• 4.5 本章小结52-53
• 第5章 实验与分析53-59
• 5.1 电商数据预处理53
• 5.2 实验环境53
• 5.3 检验指标53-54
• 5.4 实验结果与分析54-58
• 5.4.1 数据填充实验对比54-56
• 5.4.2 参数调优实验对比56-58
• 5.5 本章小结58-59
• 第6章 总结和展望59-61
• 6.1 论文总结59
• 6.2 未来展望59-61
• 参考文献61-64
• 攻读硕士学位期间取得的研究成果64-65
• 致谢65-66
• 附件66

【参考文献】

中国期刊全文数据库 前4条

1 刘建国;周涛;郭强;汪秉宏;;个性化推荐系统评价方法综述[J];复杂系统与复杂性科学;2009年03期

2 李尚;;参考价格理论的文献综述[J];经营管理者;2015年01期

3 秦光洁;张颖;;基于综合兴趣度的协同过滤推荐算法[J];计算机工程;2009年17期

4 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国博士学位论文全文数据库 前1条

1 常雪;基于参考价格的消费者价格评价研究[D];山东大学;2008年

中国硕士学位论文全文数据库 前2条

1 赵丽Z，

本文编号：351114