基于遗忘函数和领域最近邻的网络营销推荐系统研究

基于遗忘函数和领域最近邻的网络营销推荐系统研究

论文摘要

随着互联网的普及和网络营销的盛行,电子商务系统为企业提供无限陈列空间,为客户提供更多商品选择的同时,其结构也日趋复杂。客户面对海量的商品信息束手无策,无法顺利找到所需的商品,“信息迷航”和“信息超载”问题日趋严重;商家也不能顺利取得与客户的联系,销售措施更是无从谈起。网络营销推荐系统的出现和应用极大的改善了这一系列问题,它能够有效保留客户、防止客户流失、提高电子商务系统的交叉销售量。然而,当前的网络营销推荐系统在实际应用中还并不成熟,数据稀疏性问题严重,因无法很好的应对用户兴趣漂移问题,致使推荐质量欠佳、推荐实时性差。针对网络营销推荐系统所面临的这些挑战,本文分析了当前推荐系统的国内外研究现状和主要推荐技术的优缺点,在已有的混合推荐研究基础上进行创新,推出一种基于内容过滤和协同过滤改进的网络营销推荐算法,以协同过滤为主,内容过滤为辅,基于“非线性逐步遗忘函数”建立用户兴趣模型,预测非目标用户未评价商品评分,解决数据稀疏性问题和用户兴趣漂移问题;引入“领域最近邻”处理方法查找目标用户的最近邻,预测其未评价商品评分,以此为基础做出推荐,有效提高推荐系统的推荐质量和推荐实时性。该改进方法充分利用了用户的人口统计信息计算用户间的相似性,使得推荐结果更符合用户需求。本文的主要研究工作包括:(1)通过分析当前国内外的推荐系统研究现状,发现普遍存在缺乏个性化推荐、推荐方法单一以及推荐的自动化程度低等问题。(2)提出了基于遗忘函数和领域最近邻处理方法的混合推荐方法,详细介绍了该混合算法的各个改进步骤和计算方法。(3)以Movielens的公共数据集为基础,通过对比实验,比较了本文提出的网络营销推荐方法与其他采用传统推荐方法的推荐效果,得出了客观有效的测试结果。

论文目录

  • 摘要
  • Abstract
  • 插图索引
  • 附表索引
  • 第1章 绪论
  • 1.1 研究背景及意义
  • 1.1.1 研究背景
  • 1.1.2 研究意义
  • 1.2 国内外研究现状及问题
  • 1.2.1 国内外研究现状
  • 1.2.2 目前方法存在的问题
  • 1.3 研究内容与论文结构
  • 第2章 网络营销推荐研究的理论基础
  • 2.1 网络营销推荐系统概述
  • 2.1.1 推荐系统概述
  • 2.1.2 推荐系统的研究内容
  • 2.1.3 推荐系统的分类
  • 2.2 推荐系统的组成
  • 2.2.1 推荐系统的输入
  • 2.2.2 推荐系统的输出
  • 2.3 常用推荐技术
  • 2.3.1 基于人口统计信息的推荐
  • 2.3.2 基于效用的推荐
  • 2.3.3 基于知识的推荐
  • 2.3.4 基于关联规则的推荐
  • 第3章 建模相关技术的研究与分析
  • 3.1 用户兴趣模型
  • 3.1.1 用户兴趣模型的表示
  • 3.1.2 用户兴趣模型的分类
  • 3.1.3 用户兴趣建模的步骤
  • 3.2 基于内容过滤推荐技术
  • 3.2.1 配置文件的构建和更新
  • 3.2.2 信息获取
  • 3.2.3 信息过滤
  • 3.2.4 基于内容过滤推荐的优缺点
  • 3.3 协同过滤推荐算法
  • 3.3.1 基于用户的(User-based)协同过滤算法
  • 3.3.2 基于项目的(Item-based)协同过滤算法
  • 3.3.3 协同过滤推荐的优缺点
  • 3.4 混合推荐算法
  • 第4章 基于遗忘函数与领域最近邻的推荐改进
  • 4.1 模型概述
  • 4.2 基于遗忘函数的矩阵填充
  • 4.2.1 引入商品属性的用户兴趣描述
  • 4.2.2 基于遗忘函数的用户兴趣模型
  • 4.3 基于领域最近邻的协同过滤
  • 4.3.1 用户商品评分集分析
  • 4.3.2 领域最近邻界定
  • 4.3.3 相似性计算
  • 4.3.4 推荐生成
  • 4.4 算法描述
  • 第5章 实验测试和模型检验
  • 5.1 实验数据
  • 5.2 评价标准
  • 5.2.1 统计精度
  • 5.2.2 top-N推荐质量的评价标准
  • 5.3 测试方案及检验结果
  • 5.3.1 测试方案
  • 5.3.2 检验结果及分析
  • 结论
  • 参考文献
  • 附录A 攻读硕士学位期间所发表的学术论文
  • 附录B MATLAB编程
  • 致谢
  • 相关论文文献

    • [1].基于自然最近邻相似图的谱聚类[J]. 计算机应用研究 2020(01)
    • [2].基于距离的相似最近邻搜索算法研究[J]. 北京化工大学学报(自然科学版) 2017(05)
    • [3].静音钻[J]. 科学启蒙 2017(Z1)
    • [4].一种连续最近邻查询的优化方法[J]. 黑龙江工程学院学报(自然科学版) 2013(04)
    • [5].基于新型索引结构的反最近邻查询[J]. 计算机研究与发展 2020(06)
    • [6].基于自然最近邻的离群检测方法研究[J]. 智能计算机与应用 2019(04)
    • [7].概率可视最近邻查询算法[J]. 哈尔滨理工大学学报 2013(06)
    • [8].基于R树及其变种的最近邻查询研究[J]. 现代计算机 2013(09)
    • [9].道路网络中的多类型K最近邻查询[J]. 计算机工程与应用 2012(03)
    • [10].不确定数据上范围受限的最近邻查询算法[J]. 小型微型计算机系统 2012(06)
    • [11].k最近邻域分类算法分析与研究[J]. 甘肃科技 2012(18)
    • [12].基于路网的连续K最近邻查询[J]. 天津理工大学学报 2012(06)
    • [13].不确定对象的反向最近邻查询研究[J]. 黑龙江工程学院学报(自然科学版) 2012(04)
    • [14].范围最近邻查询方法研究[J]. 泰山学院学报 2011(03)
    • [15].反向最近邻查询研究综述[J]. 电脑知识与技术 2011(28)
    • [16].空间数据库中的障碍反向最近邻查询[J]. 计算机工程与应用 2011(34)
    • [17].道路网络中的连续最近邻查询[J]. 计算机工程 2010(08)
    • [18].时空数据库变体最近邻查询问题探讨[J]. 计算机工程与应用 2010(14)
    • [19].空间对象的双色反向最近邻查询研究[J]. 煤炭技术 2009(06)
    • [20].最近邻搜索用于分类问题的一种改进[J]. 南京大学学报(自然科学版) 2009(04)
    • [21].路网环境中关于模糊组最近邻问题的研究[J]. 计算机应用研究 2016(02)
    • [22].最近邻检索问题综述[J]. 新西部(理论版) 2015(09)
    • [23].基于k-最近邻的红外点目标检测方法(英文)[J]. 红外与激光工程 2013(S2)
    • [24].平面中点对一般多边形的最近邻查询研究[J]. 科技通报 2014(01)
    • [25].面向不确定数据的概率阈值可见最近邻查询算法[J]. 小型微型计算机系统 2013(08)
    • [26].面向存在不确定对象的组最近邻查询方法[J]. 小型微型计算机系统 2012(04)
    • [27].空间数据库中连续可视反向最近邻查询[J]. 西南交通大学学报 2012(03)
    • [28].基于查询集空间分布的聚合最近邻查询算法[J]. 计算机应用 2011(09)
    • [29].面向不确定图的k最近邻查询[J]. 计算机研究与发展 2011(10)
    • [30].高维主存的反向K最近邻查询及连接[J]. 计算机工程 2011(24)

    标签:;  ;  ;  ;  ;  

    基于遗忘函数和领域最近邻的网络营销推荐系统研究
    下载Doc文档

    猜你喜欢