基于数据挖掘的电子商务个性化推荐技术研究

论文摘要

随着Internet的普及,电子商务也因其快捷方便、高效率、低成本等特点有了长足的发展。商务网站的规模不断扩大,结构也变得更加复杂。对于客户来说,面对大量的商品信息,经常无法顺利找到自己需要的商品;对于企业来说,如何有效地提高其网站的吸引力,提升客户服务水平,获取更多的商业效益,都是亟待解决的问题。电子商务推荐系统是解决这一问题的有效手段。本文首先对目前的推荐系统相关理论及关键技术进行了深入的分析和研究,分析了现有推荐系统中存在的问题。建立了一个电子商务推荐系统体系结构,并详细叙述了系统中各个模块的功能、构造以及算法的实现。为了提高个性化推荐系统的准确性,本文提出了基于客户偏好的页面隐式协同过滤算法(CPPICF),着重研究了协同过滤中的客户近邻问题,实现了信息的客观评分,较好地解决了数据的稀疏性问题。针对系统产生的推荐结果偏差,本文设计了推荐算法CRF,并对算法的可用性和有效性进行了评价,增强了客户的满意度,提高了推荐的质量。考虑到CPPICF算法在数据量很大时,运算的效率不高;在推荐结果方面的形式多采用超链接的推荐,个性化不明显。所以,后续的工作一方面是对算法进行改进,将客户浏览页面的时间转化为代表性强、数据量少的模型;另一方面是研究如何结合客户的个人兴趣特点,采用合适的界面形式(如浮动广告等)为客户提供推荐,以提高个性化程度。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 背景及意义
• 1.1.1 电子商务与传统商务的对比
• 1.1.2 电子商务的发展
• 1.1.3 电子商务个性化推荐系统的研究意义
• 1.2 研究现状及面临的挑战
• 1.2.1 国内外研究现状
• 1.2.2 电子商务推荐系统研究面临的挑战
• 1.3 本文工作
• 1.4 论文结构
• 第二章 数据挖掘与电子商务推荐技术
• 2.1 数据挖掘
• 2.1.1 数据挖掘定义
• 2.1.2 数据挖掘功能
• 2.1.3 数据挖掘过程
• 2.2 数据挖掘在web 上的应用
• 2.2.1 数据挖掘在web 上应用的必要性
• 2.2.2 web 数据挖掘和传统数据挖掘的区别
• 2.2.3 web 数据挖掘的特点
• 2.2.4 web 数据挖掘的数据源
• 2.3 web 数据挖掘的分类
• 2.3.1 web 的使用挖掘
• 2.3.2 web 的内容挖掘
• 2.3.3 web 的结构挖掘
• 2.4 电子商务推荐系统及关键技术
• 2.4.1 目前推荐系统的现状
• 2.4.2 电子商务推荐系统分类
• 2.4.3 电子商务推荐技术
• 2.4.4 关联规则推荐算法
• 2.4.5 协同过滤算法
• 2.4.6 协同过滤算法的改进
• 2.5 小结
• 第三章 电子商务推荐系统体系结构
• 3.1 电子商务推荐系统体系结构
• 3.2 离线挖掘
• 3.2.1 数据采集
• 3.2.2 数据预处理
• 3.2.3 事务文件数据处理
• 3.2.4 模式挖掘
• 3.3 在线推荐
• 3.4 小结
• 第四章 基于客户偏好的页面隐式协同过滤算法
• 4.1 算法设计
• 4.2 算法步骤
• 4.3 实验设计与结果分析
• 4.3.1 实验设计
• 4.3.2 结果分析
• 4.4 小结
• 第五章 基于客户推荐反馈的推荐算法
• 5.1 CRF 算法流程
• 5.2 CRF 算法过程
• 5.3 小结
• 第六章 结束语
• 致谢
• 参考文献
• 研究成果