个性化推荐算法在农产品电商中的应用研究进展

发布时间：2021-09-29 17:07

　　个性化推荐算法在电子商务等领域产生了巨大影响,针对农产品电商领域的个性化推荐算法及其应用展开研究。首先,梳理各类推荐算法的算法流程、特征和应用优势;其次,分类分析个性化推荐算法在国内农产品电商领域的应用现状,及其评价性能指标;最后,指出个性化推荐算法在农产品电商应用中的不足与困境,以及进一步研究和应用的方向。以期为个性化推荐算法在国内农产品电子商务中的深入应用、普及提供借鉴。 

【文章来源】：现代计算机. 2020,(12)

【文章页数】：7 页

【部分图文】：

图1 个性化推荐系统流程

协同过滤的概念最先由Goldberg等人在1992年提出[7]，最初应用于过滤电子邮件，目前在推荐领域中应用最为广泛。协同过滤算法由三个步骤组成：第一步，获取“用户-项目”评分矩阵；第二步，通过相似度计算得到目标用户的最近邻用户集合或目标项目的最近邻项目集合；最后，通过上一个步骤得到的最近邻集合，计算目标用户对目标项目的预测评分，根据评分生成最终推荐结果，如图2所示。协同过滤算法主要分为基于用户的协同过滤推荐、基于项目的协同过滤推荐、基于模型的协同过滤推荐三种。基于用户的协同过滤要找出与当前用户过去有相似偏好的其他用户群体，将该用户群体感兴趣且当前用户没有见过的内容推荐给当前用户；基于项目的协同过滤推荐是要找出跟当前用户感兴趣的项目相似度较高的项目，把这些项目作为推荐。基于模型的协同过滤推荐则是基于各种机器学习的方法离线建立模型，然后根据用户兴趣模型，计算用户对产品的预测评分，从而进行推荐。相似度的计算主要的方法有Pearson相似度计算，修正的余弦相似度计算、欧几里得距离法等[8]。

【参考文献】：
期刊论文
[1]社会化推荐研究综述[J]. 王刚,蒋军,王含茹.  计算机科学. 2018(S2)
[2]基于改进协同过滤技术的农产品推荐研究[J]. 裘进,李秋霞,章珺彧.  中国市场. 2018(22)
[3]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[4]多Agent策略下的农业电子商务个性化推荐模型和接纳度研究[J]. 丁昭巧.  江苏农业科学. 2018(01)
[5]基于TF-IDF和余弦相似度的文本分类方法[J]. 武永亮,赵书良,李长镜,魏娜娣,王子晏.  中文信息学报. 2017(05)
[6]基于Spark的ItemBased推荐算法性能优化[J]. 廖彬,张陶,国冰磊,于炯,张旭光,刘炎.  计算机应用. 2017(07)
[7]电子商务中基于潜在类回归模型的农产品个性化推荐方案[J]. 彭洁,徐剑晖,陈超.  江苏农业科学. 2017(12)
[8]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强.  常州大学学报(自然科学版). 2017(03)
[9]基于本体和物联网的农产品推荐研究[J]. 秦志远,黄海松,张慧.  食品工业. 2017(04)
[10]Hadoop下基于聚类协同过滤推荐算法优化的研究[J]. 田保军,胡培培,杜晓娟,苏依拉.  计算机工程与科学. 2016(08)

硕士论文
[1]农产品推荐模型及电商系统的研究与实现[D]. 管庆超.电子科技大学 2018
[2]面向农产品的协同过滤推荐算法研究[D]. 于金明.东北农业大学 2017
[3]基于数据挖掘的农产品商城系统中推荐模式的研究与实现[D]. 李圣秋.北京邮电大学 2017
[4]面向农资交易的推荐系统设计与实现[D]. 李宁.河南大学 2016
[5]农产品电子商务语义推荐方法研究[D]. 魏同.安徽农业大学 2016
[6]面向农产品的电子商务推荐系统Grecs的研究和实现[D]. 郭安邦.吉林大学 2016



本文编号：3414106