电子商务个性化推荐模型研究

论文摘要

随着电子商务的发展和应用,人工智能、web技术和商务模型的集成研究成为一个前沿问题。电子商务网站在为顾客提供越来越多产品或服务信息的同时,也加大了顾客在海量信息中,准确而迅速地找到符合需求的产品信息的难度。个性化推荐技术通过分析顾客相关信息,实时、主动地为顾客推荐符合其偏好的产品或服务,一方面,更好地满足顾客的个性化需求,另一方面,有利于企业建立起稳定的客户群、提高服务质量,从而提高企业的市场竞争力。本文通过分析个性化推荐模型的国内外研究成果和实际应用环境,研究基于顾客购买行为及偏好的个性化推荐模型,并应用抽样技术对顾客样本进行过滤,以提高推荐的准确性和实时性。主要研究内容包括:①顾客行为的动态挖掘。传统技术多是依据静态数据预测顾客偏好,但是顾客偏好是随时间而变化的。因此,本文将顾客的购买行为按发生的时间顺序整理为购买行为序列,再对其进行关联规则的提取,进而预测出目标顾客的当前或未来偏好,有效提高了预测的准确性。②采用抽样技术预处理样本数据。本文使用前瞻选择抽样算法与基于项目和用户组合的协同过滤算法对商品进行过滤,通过定义样本分类效用值,选取效用值最大的顾客样本进行类别标记,作为产生推荐的依据,解决了一般协同过滤技术的稀疏性问题和扩展性问题,有利于用户新的兴趣的奇异发现,有效地降低了推荐成本、提高了推荐质量。③使用协同过滤算法和基于项目和用户组合算法构建对照实验模型,评价新构造模型的有效性。使用Movelines站点提供的测试数据集,通过对平均绝对误差、平均绝对误差的标准差和平均预测时间三项指标的分析,表明新构造的模型能够提供更为准确和实时的推荐结果。本文以解决Web海量商品信息与用户个性化需求之间的矛盾为目的,提出了一种产品信息的个性化服务的实现方法,加快网络产品信息资源服务的个性化、智能化的发展。对国内电子商务个性化信息服务有一定的推动意义。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.2.1 电子商务发展趋势
• 1.2.2 个性化服务应用现状
• 1.3 问题的提出
• 1.4 论文主要工作与基本结构
• 2 电子商务个性化服务相关理论
• 2.1 电子商务个性化服务
• 2.1.1 电子商务个性化服务的概念
• 2.1.2 电子商务个性化推荐服务的研究内容
• 2.1.3 电子商务个性化推荐服务的特点
• 2.1.4 电子商务个性化推荐服务的意义
• 2.1.5 个性化推荐服务的体系结构
• 2.2 个性化推荐服务主要技术
• 2.2.1 用户建模技术
• 2.2.2 个性化推荐技术介绍及比较
• 2.3 本章小结
• 3 信息模型
• 3.1 个性化推荐模型概述
• 3.1.1 模型的构建原则
• 3.1.2 模型的功能及特性
• 3.2 产品信息模型
• 3.2.1 产品类别的划分
• 3.2.2 产品基本信息的表示
• 3.2.3 产品特征属性的提取
• 3.2.4 产品特征向量的表示
• 3.3 顾客偏好的动态挖掘
• 3.3.1 动态顾客文件的建立
• 3.3.2 顾客行为轨迹的提取
• 3.3.3 顾客偏好的确定
• 3.4 顾客信息模型
• 3.4.1 顾客信息模型的构建
• 3.4.2 顾客信息的提取
• 3.4.3 顾客信息模型的维护
• 3.4.4 顾客特征向量的表示
• 3.5 本章小结
• 4 个性化推荐服务
• 4.1 个性化推荐技术
• 4.1.1 前瞻选择抽样算法
• 4.1.2 基于项目与用户组合的协同过滤算法
• 4.1.3 修正余弦相似度计算
• 4.1.4 相似度阈值设定
• 4.2 模块功能设计
• 4.2.1 产品信息模型管理模块
• 4.2.2 顾客偏好提取模块
• 4.2.3 顾客信息模型管理模块
• 4.2.4 抽样模块
• 4.2.5 过滤模块
• 4.2.6 检索模块
• 4.2.7 推荐模块
• 4.3 模型构建
• 4.3.1 模型的整体结构
• 4.3.2 模型的工作流程
• 4.3.3 模型的数据环境
• 4.4 本章小结
• 5 实验及结果分析
• 5.1 实验设计
• 5.2 实现
• 5.2.1 实验数据
• 5.2.2 实验评价标准
• 5.3 结果分析
• 5.3.1 实验过程
• 5.3.2 结论分析
• 5.4 本章小结
• 6 结论与展望
• 6.1 全文工作总结
• 6.2 下一步工作展望
• 致谢
• 参考文献
• 附录