移动社会化电子商务推荐关键技术研究
发布时间：2021-04-13 16:14
从移动社会化电子商务推荐系统基本模型出发,重点研究高维特征信息选择、物品之间相似信任关系、用户之间相似信任关系、用户之间直接和间接信任传播关系等关键技术。并结合基于内容推荐算法中特征选择算法和基于社会化协同过滤推荐算法（包括面向评分和面向排序）等领域研究成果进行深入研究。具体研究内容和成果有以下几点:1在移动社会化电子商务系统中的基于内容推荐特征选择方面:围绕着如何从高维特征数据中筛选出高度相关、删除无关和冗余的特征子集,展开相关研究,其研究成果如下:（1）提出基于近似马尔科夫毯最大相关最小冗余特征选择算法,该算法包括特征相关性排序和冗余特征删除两个阶段:第1阶段,利用最大相关最小冗余准则进行相关特征排序,并采用前向迭代搜索方法进行最优特征选择;第2阶段采用近似马尔科夫毯方法进行特征与标签以及特征间依赖关系分析,将特征间相互依赖程度高特征进行删除,保留能够有较高区分能力特征组成最优特征子集。由于该算法具有初期特征子集优选能力,进一步提高分类学习算法泛化能力。（2）目前许多特征选择算法都存在错选冗余和无关特征的现象。由于过多的特征会减慢移动社会化电子商务内容推荐的速度,并导致分类过度拟合...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：博士
【部分图文】：
图１－２论文研究思路??⑵针对在移动电子商务环境中如何处理无关特征和冗余特征以及交互特征的问题
北京邮电大学工学博士学位论文???者参与的教育部项目基金编号：１９ＹＪＡ８７０００５涉及这方面研究）的时候，使用ＪＭＭＣ算法。??第二章基于移动社会化电子商务的近似马尔科夫毯??＾?的ｍＲＭＲ特征选择算法???第三章在移动社会化电子商务环境下联合互信息的??＊［?特征选择算法???第四章基于核心物品信任关系的移动社会化电子商??＾?务推荐算法???姑一冰、八￣?第五章融合多种信任关系的移动社会化电子商务推??第一章绪论?一??＾?荐算法?＿??????—？第八章总结和展望??第六章特定社交网络环境下用户影响力和信任关系??＇?］?的移动社会化电子商务推荐算法???第七章正则化的移动电子商务用户信任排序推荐算??］??法???图１－３论文撰写框架??共同之处：第四章、第五章和第六章都以ＰＭＦ算法作为基础框架，然后通过ＭＡＥ和ＲＭＳＥ??这两个预测评分指标进行评分预测。不同之处：第四章利用物品之间社会化信任关系对移动??社会化电子商务进行推荐。第五章利用特定领域用户间隐式和显示信任关系对移动社会化电??子商务推荐。第六章针对在移动社会化电子商务环境推荐系统中，不同社交网反映不同用户??的影响力和信任关系的推荐。第七章以ＢＰＲＭＦ算法作为基础框架，然后通过Ｐｒｅｃｉｓｉｏｎ、ＭＡＰ??和ＮＤＣＧ这三个指标进行排序预测。最后，总结全文并进行展望（第八章）。??１０??
北京邮电大学工学博士学位论文???征排序；ＦＣＢＦ算法和ｎｍＲＭＲ算法都可以对特征进行排序和特征初眩比较以上４种算法??间优劣的方式就是将以上４种算法所选的特征集合放在同一个分类器中逐次进行验证。为保??证本实验的公正性，实验都对选择出的特征集合不加限制，本文实验的研究框架具体如图２－１??所示。??？?ＦｕｌｌＳｅｔ?算法１?????—近邻算法一｜??？?ＦＣＢＦ算法???数則化Ｉ??＾特，：选择ｑ??—ｍＲＭＲ算法??朴素贝叶??＂＾ＺＺＺＺＩ－－?—斯??？?ｎｍＲＭＲ算法???图２－１实验的研究框架??表２－２￣表２－５分别是ＫＮＮ和Ｎａｉｖｅ?Ｂａｙｅｓ分类器在不同特征选择算法前后的分类结果。??由表２－１和表２＿２可以看出，在ｓｐａｍｂａｓｅ数据集中，ｎｍＲＭＲ算法分类准确率略低于ｍＲＭＲ??算法，但是，在其他７个数据集上，ｎｍＲＭＲ算法均优于ｍＲＭＲ算法。在８个数据集中，ｎｍＲＭＲ??算法比ｍＲＭＲ算法平均准确率提高了?０．４２％。由表２－３可以看出，ｎｍＲＭＲ算法比ｍＲＭＲ算??法平均特征子集数少了?５．?３７５个。由表２－４可以看出，ｎｍＲＭＲ算法和ｍＲＭＲ算法在??ｌｕｎｇ－ｃａｎｃｅｒ数据集上平均准确率相等外，在其他７个数据集上，ｎｍＲＭＲ算法均优于ｍＲＭＲ??算法。在８个数据集中，ｎｍＲＭＲ算法比ｍＲＭＲ算法平均准确率提高了?１．１４％。由表２－５可??以看出，在８个数据集上选择出的平均特征子集数，ｎｍＲＭＲ算法比ｍＲＭＲ算法少了?８．?３７５??个。由表２－２和表２－３可以看出，在８个数据集上选择出的平均特征子集数，ｎｍＲＭＲ算法??比ＦＣＢＦ
【参考文献】：
期刊论文
[1]耦合社会信任信息的矩阵分解协同过滤模型[J]. 蒋伟,秦志光. 电子科技大学学报. 2019(03)
[2]融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法[J]. 赵明,闫寒,曹高峰,刘昕鸿. 电子与信息学报. 2019(01)
[3]电子商务网站社交因素对消费者电子口碑发布动机及意愿的影响[J]. 张琳,闫强,刘奕. 清华大学学报(自然科学版). 2018(09)
[4]基于偏好度特征构造的个性化推荐算法[J]. 黄金超,张佳伟,陈宁,陈毅鸿,江文,李生红. 上海交通大学学报. 2018(07)
[5]加入用户对项目属性偏好的奇异值分解推荐算法[J]. 魏港明,刘真,李林峰,张猛. 西安交通大学学报. 2018(05)
[6]简化的Slope One在线评分预测算法[J]. 孙丽梅,李悦,Ejike Ifeanyi Michael,曹科研. 计算机应用. 2018(02)
[7]面向服务推荐的QoS成列协同排序算法[J]. 曹婧华,孔繁森,冉彦中. 吉林大学学报(工学版). 2018(01)
[8]基于多维特征差异的个性化学习资源推荐方法[J]. 李浩君,张广,王万良,江波. 系统工程理论与实践. 2017(11)
[9]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏. 计算机研究与发展. 2017(08)
[10]一种改进的偏好融合组推荐方法[J]. 胡川,孟祥武,张玉洁,杜雨露. 软件学报. 2018(10)
本文编号：3135618
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：博士
【部分图文】：
图１－２论文研究思路??⑵针对在移动电子商务环境中如何处理无关特征和冗余特征以及交互特征的问题
北京邮电大学工学博士学位论文???者参与的教育部项目基金编号：１９ＹＪＡ８７０００５涉及这方面研究）的时候，使用ＪＭＭＣ算法。??第二章基于移动社会化电子商务的近似马尔科夫毯??＾?的ｍＲＭＲ特征选择算法???第三章在移动社会化电子商务环境下联合互信息的??＊［?特征选择算法???第四章基于核心物品信任关系的移动社会化电子商??＾?务推荐算法???姑一冰、八￣?第五章融合多种信任关系的移动社会化电子商务推??第一章绪论?一??＾?荐算法?＿??????—？第八章总结和展望??第六章特定社交网络环境下用户影响力和信任关系??＇?］?的移动社会化电子商务推荐算法???第七章正则化的移动电子商务用户信任排序推荐算??］??法???图１－３论文撰写框架??共同之处：第四章、第五章和第六章都以ＰＭＦ算法作为基础框架，然后通过ＭＡＥ和ＲＭＳＥ??这两个预测评分指标进行评分预测。不同之处：第四章利用物品之间社会化信任关系对移动??社会化电子商务进行推荐。第五章利用特定领域用户间隐式和显示信任关系对移动社会化电??子商务推荐。第六章针对在移动社会化电子商务环境推荐系统中，不同社交网反映不同用户??的影响力和信任关系的推荐。第七章以ＢＰＲＭＦ算法作为基础框架，然后通过Ｐｒｅｃｉｓｉｏｎ、ＭＡＰ??和ＮＤＣＧ这三个指标进行排序预测。最后，总结全文并进行展望（第八章）。??１０??
北京邮电大学工学博士学位论文???征排序；ＦＣＢＦ算法和ｎｍＲＭＲ算法都可以对特征进行排序和特征初眩比较以上４种算法??间优劣的方式就是将以上４种算法所选的特征集合放在同一个分类器中逐次进行验证。为保??证本实验的公正性，实验都对选择出的特征集合不加限制，本文实验的研究框架具体如图２－１??所示。??？?ＦｕｌｌＳｅｔ?算法１?????—近邻算法一｜??？?ＦＣＢＦ算法???数則化Ｉ??＾特，：选择ｑ??—ｍＲＭＲ算法??朴素贝叶??＂＾ＺＺＺＺＩ－－?—斯??？?ｎｍＲＭＲ算法???图２－１实验的研究框架??表２－２￣表２－５分别是ＫＮＮ和Ｎａｉｖｅ?Ｂａｙｅｓ分类器在不同特征选择算法前后的分类结果。??由表２－１和表２＿２可以看出，在ｓｐａｍｂａｓｅ数据集中，ｎｍＲＭＲ算法分类准确率略低于ｍＲＭＲ??算法，但是，在其他７个数据集上，ｎｍＲＭＲ算法均优于ｍＲＭＲ算法。在８个数据集中，ｎｍＲＭＲ??算法比ｍＲＭＲ算法平均准确率提高了?０．４２％。由表２－３可以看出，ｎｍＲＭＲ算法比ｍＲＭＲ算??法平均特征子集数少了?５．?３７５个。由表２－４可以看出，ｎｍＲＭＲ算法和ｍＲＭＲ算法在??ｌｕｎｇ－ｃａｎｃｅｒ数据集上平均准确率相等外，在其他７个数据集上，ｎｍＲＭＲ算法均优于ｍＲＭＲ??算法。在８个数据集中，ｎｍＲＭＲ算法比ｍＲＭＲ算法平均准确率提高了?１．１４％。由表２－５可??以看出，在８个数据集上选择出的平均特征子集数，ｎｍＲＭＲ算法比ｍＲＭＲ算法少了?８．?３７５??个。由表２－２和表２－３可以看出，在８个数据集上选择出的平均特征子集数，ｎｍＲＭＲ算法??比ＦＣＢＦ
【参考文献】：
期刊论文
[1]耦合社会信任信息的矩阵分解协同过滤模型[J]. 蒋伟,秦志光. 电子科技大学学报. 2019(03)
[2]融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法[J]. 赵明,闫寒,曹高峰,刘昕鸿. 电子与信息学报. 2019(01)
[3]电子商务网站社交因素对消费者电子口碑发布动机及意愿的影响[J]. 张琳,闫强,刘奕. 清华大学学报(自然科学版). 2018(09)
[4]基于偏好度特征构造的个性化推荐算法[J]. 黄金超,张佳伟,陈宁,陈毅鸿,江文,李生红. 上海交通大学学报. 2018(07)
[5]加入用户对项目属性偏好的奇异值分解推荐算法[J]. 魏港明,刘真,李林峰,张猛. 西安交通大学学报. 2018(05)
[6]简化的Slope One在线评分预测算法[J]. 孙丽梅,李悦,Ejike Ifeanyi Michael,曹科研. 计算机应用. 2018(02)
[7]面向服务推荐的QoS成列协同排序算法[J]. 曹婧华,孔繁森,冉彦中. 吉林大学学报(工学版). 2018(01)
[8]基于多维特征差异的个性化学习资源推荐方法[J]. 李浩君,张广,王万良,江波. 系统工程理论与实践. 2017(11)
[9]一种基于协同矩阵分解的用户冷启动推荐算法[J]. 高玉凯,王新华,郭磊,陈竹敏. 计算机研究与发展. 2017(08)
[10]一种改进的偏好融合组推荐方法[J]. 胡川,孟祥武,张玉洁,杜雨露. 软件学报. 2018(10)
本文编号：3135618
本文链接：https://www.wllwen.com/shoufeilunwen/jjglbs/3135618.html
