基于web日志数据挖掘的电子商务推荐系统实现

论文摘要

进入21世纪以来,计算机技术和计算机网络技术得到了突飞猛进的发展。同时电子商务作为一种新的商务模式也随之快速发展起来。Web日志数据挖掘旨在通过对Web日志进行有效的数据挖掘,发掘隐藏在日志数据背后的规律和模式。通过对Web日志的挖掘和对用户访问行为、频度、内容等分析,我们可以从大量的Web日志信息提取出我们需要的有用知识,并且由此可以得到用户的访问模式,通过对这些用户特征的理解和分析,可以向用户提供个性化的服务。电子商务因其成本低廉、快捷、不受时空限制等优点在全球范围内得到普及和发展,它的规模也在进一步扩大。同时,它的发展面临这样一个新问题——一方面,用户对网络上提供的众多商品信息并非完全感兴趣,通常要通过多次浏览才能找到满足自己需求的商品;另一方面商家也不能全面了解用户的个人需求,缺乏个性化服务成为制约电子商务发展的关键问题。这就要求有一个能够分析用户偏好、行为等信息,并且自动根据这些信息向用户提供推荐服务的推荐系统,实现个性化的网络营销。Web日志数据挖掘就是在这样的背景下与电子商务结合在一起。Web数据挖掘是从Web文档和Web活动中发现并抽取感兴趣的、潜在的有用模式和隐藏的信息。它将传统的数据挖掘技术和web结合起来,可以在多方面发挥作用,是数据挖掘领域的一个新的研究方向。基于Web数据挖掘的电子商务推荐系统可以满足电子商务未来发展趋势的需要。在本文中依据效率和准确性,建立了一个推荐系统模型,并对系统中各个模块功能及它们之间相互协调工作做了详细的描述;深入研究了电子商务推荐系统所使用的推荐算法,重点讨论了目前使用最为广泛的协同过滤推荐算法;在上述研究的基础上设计了基于聚类的协同过滤推荐系统,并对k-means聚类算法进行了改进;最后利用实际网站数据对基于聚类的协同过滤推荐系统的聚类算法进行了实现,给出了系统试验结果,并对结果做出解释和评价。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究现状
• 1.3 论文的创新点
• 1.4 本文的内容与组织
• 第二章 WEB数据挖掘技术
• 2.1 数据挖掘
• 2.2 Web数据挖掘
• 2.3 Web日志挖掘的模型与处理过程
• 第三章 电子商务推荐系统
• 3.1 电子商务
• 3.2 电子商务中Web数据挖掘的应用
• 3.3 电子商务推荐系统基础理论
• 第四章 电子商务推荐系统模型研究和建立
• 4.1 电子商务推荐系统的框架设计
• 第五章 电子商务推荐算法及改进
• 5.1 基于关联规则的推荐算法
• 5.2 协同过滤推荐算法
• 5.3 基于聚类（Cluster-based）的协同过滤算法概述
• 5.4 k-means聚类算法的改进
• 第六章 电子商务推荐系统的实现
• 6.1 系统结构
• 6.2 电子商务推荐系统
• 6.3 实现系统评价
• 第七章 结论
• 7.1 总结
• 7.2 进一步的工作
• 参考文献
• 致谢
• 学位论文评阅及答辩情况表