协同过滤推荐模型及其在汽车电子商务中的应用研究

论文摘要

随着Internet和信息技术的飞速发展,电子商务个性化推荐作为一种崭新的智能信息服务方式,针对不同的用户,通过对用户个性、习惯、偏好的分析,准确地向用户提供感兴趣的信息和服务,满足用户对于个性化产品需求的同时,提高了企业的竞争能力,得到了广泛重视。在大众消费能力逐渐提高、选择产品变得更为精细的今天,汽车作为日常生活中越来越普及的交通工具,人们对其个性化的需求越来越大。由于汽车配置属性参数繁多,其用户群体更需要个性化推荐服务帮助其进行购买决策,个性化推荐系统成为解决这一问题的有效工具。本文在借鉴国内外研究成果的基础上,通过分析汽车电子商务的特点,对协同过滤推荐算法及其在汽车电子商务中的应用进行了研究,主要工作包括：(1)分别从汽车销售商和用户的角度,分析汽车电子商务个性化推荐服务的重要性,并对电子商务个性化推荐系统的组成结构和整体框架,以及主要的推荐技术进行了比较、分析。(2)针对传统协同过滤推荐算法评分数据稀疏性和冷开始问题,采用基于属性值偏好矩阵的协同过滤算法,通过对矩阵的降维以及构建属性值偏好矩阵进行相似性度量,有效缓解稀疏性；同时建立用户反馈机制,降低冷启动问题的发生概率。(3)将上述协同过滤算法应用到汽车电子商务的个性化推荐服务中,构造了汽车电子商务推荐系统模型,设计开发了原型系统,提供了实际应用的基础。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究背景及研究意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 国内外研究进展及动态
• 1.2.1 汽车电子商务的发展现状
• 1.2.2 推荐技术的研究现状
• 1.2.3 协同过滤技术的研究现状
• 1.3 创新之处与文章的结构安排
• 第二章 电子商务个性化推荐系统
• 2.1 电子商务个性化推荐系统综述
• 2.1.1 电子商务个性化推荐系统概念
• 2.1.2 电子商务个性化推荐系统的作用
• 2.1.3 电子商务个性化推荐系统构成
• 2.1.4 电子商务个性化推荐系统的分类
• 2.1.5 电子商务个性化推荐系统的整体框架
• 2.2 电子商务个性化推荐系统的相关技术
• 2.2.1 协同过滤推荐
• 2.2.2 基于规则的推荐
• 2.2.3 基于内容的推荐
• 2.2.4 基于用户人口统计信息的推荐
• 2.2.5 基于效用的推荐
• 2.2.6 基于知识的推荐
• 2.3 各种推荐技术特点比较
• 第三章 协同过滤推荐系统
• 3.1 协同过滤的概念
• 3.2 协同过滤系统的原理
• 3.2.1 协同过滤推荐系统的数据输入与输出
• 3.2.2 协同过滤推荐系统的输出
• 3.3 协同过滤算法
• 3.3.1 User-based协同过滤推荐算法
• 3.3.2 Item-based协同过滤推荐算法
• 第四章 基于属性值偏好矩阵的协同过滤算法在汽车电子商务中的应用
• 4.1 传统协同过滤推荐算法存在的主要问题
• 4.1.1 评分数据的稀疏性（Sparsity）问题
• 4.1.2 冷开始（Cold-start）问题
• 4.2 基于属性值偏好矩阵的协同过滤算法
• 4.2.1 算法提出的原因
• 4.2.2 算法的基本思路
• 4.2.3 缓解数据稀疏性和冷开始问题的方法
• 4.3 改进算法在汽车电子商务推荐模型中的应用
• 4.3.1 汽车信息模型
• 4.3.2 用户信息模型
• 4.3.3 数据处理
• 4.3.4 推荐过程
• 第五章 汽车电子商务个性化推荐系统的设计
• 5.1 应用背景及系统设计思路
• 5.1.1 应用背景
• 5.1.2 系统的设计思路
• 5.2 推荐系统的模型构建
• 5.2.1 推荐功能概述
• 5.2.2 系统模块划分
• 5.3 数据管理
• 5.3.1 用户信息数据库
• 5.3.2 汽车信息数据库
• 5.3.3 评分数据库
• 5.4 推荐系统的设计
• 5.5 属性值偏好矩阵的部分代码
• 5.6 推荐系统功能示例
• 第六章 结论与展望
• 6.1 本文主要内容的总结
• 6.2 未来展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文