【摘要】：本文主要研究用戶行為分析技術(shù)和個(gè)性化服務(wù)在電子商務(wù)領(lǐng)域中的應(yīng)用。電子商務(wù)平臺(tái)能夠利用用戶行為分析技術(shù)分析用戶行為特征,根據(jù)分析結(jié)果為用戶提供個(gè)性化信息服務(wù),即個(gè)性化推薦。本文選擇神經(jīng)網(wǎng)絡(luò)技術(shù)和關(guān)聯(lián)規(guī)則技術(shù)進(jìn)行用戶行為分析,根據(jù)分析結(jié)果利用協(xié)同過濾算法進(jìn)行推薦流程設(shè)計(jì),為用戶提供個(gè)性化信息服務(wù)。針對(duì)基于用戶的協(xié)同過濾算法在使用皮爾遜相似度算法計(jì)算用戶間相似度產(chǎn)生計(jì)算偏差的問題,設(shè)計(jì)了一種改進(jìn)的皮爾遜相似度方法�？紤]活躍用戶和熱門物品兩個(gè)因素,降低活躍用戶和熱門物品對(duì)相似度計(jì)算的貢獻(xiàn),使得用戶間相似度的計(jì)算更加精確,提升算法對(duì)長(zhǎng)尾物品的挖掘能力,獲取更好的推薦效果。對(duì)電子商務(wù)領(lǐng)域中的用戶數(shù)據(jù)、商品數(shù)據(jù)、行為數(shù)據(jù),使用神經(jīng)網(wǎng)絡(luò)計(jì)算用戶與商品間的聯(lián)系,構(gòu)建適合電子商務(wù)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。混合改進(jìn)的協(xié)同過濾算法進(jìn)行候選集篩選,使用關(guān)聯(lián)規(guī)則進(jìn)行商品類別關(guān)聯(lián)分析,進(jìn)行候選集填充,使用神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)分預(yù)測(cè),在提高精準(zhǔn)率的同時(shí),提升推薦結(jié)果的多樣性。為改進(jìn)協(xié)同過濾算法存在的用戶冷啟動(dòng)問題,使用基于用戶靜態(tài)屬性的相似度計(jì)算方法,計(jì)算新用戶與老用戶之間的相似度,并將最相似老用戶購(gòu)買過的物品推薦給新用戶。論文最后利用B2C電子商務(wù)平臺(tái)數(shù)據(jù),設(shè)計(jì)并實(shí)現(xiàn)個(gè)性化推薦實(shí)驗(yàn)系統(tǒng),對(duì)個(gè)性化推薦功能進(jìn)行實(shí)驗(yàn)與結(jié)果分析。實(shí)驗(yàn)結(jié)果表明,本文改進(jìn)的協(xié)同過濾算法,能夠提高相似用戶的計(jì)算精度,提高預(yù)測(cè)評(píng)分準(zhǔn)確率。本文設(shè)計(jì)的混合推薦算法,在一定程度上解決了用戶冷啟動(dòng)問題,提高了推薦準(zhǔn)確率和多樣性。
【圖文】：

邐推薦結(jié)果展示邐）逡逑圖２－４常見推薦系統(tǒng)模型逡逑在電子商務(wù)應(yīng)用的個(gè)性化推薦中，一個(gè)比較嚴(yán)重的問題是冷啟動(dòng)問題［１７】。隨逡逑著ｗｅｂ３．０技術(shù)以及社交網(wǎng)絡(luò)的發(fā)展，學(xué)者們提出一種社會(huì)化推薦方法Ｍ。電子商逡逑務(wù)網(wǎng)站獲取用戶社交網(wǎng)絡(luò)信息，構(gòu)建用戶社交網(wǎng)絡(luò)群，進(jìn)行社會(huì)化推薦。在社會(huì)逡逑化推薦中，將用戶的社交關(guān)系帶入到網(wǎng)絡(luò)系統(tǒng)中，，在一定程度上解決了用戶冷啟逡逑動(dòng)問題，提升系統(tǒng)的全面推薦能力［１４］。逡逑（辛存丨象）（＇用戶社交邐ｆ用戶社交１逡逑網(wǎng)絡(luò)數(shù)據(jù)邐關(guān)系構(gòu)建邐（邐＇ｉ逡逑／邋Ｗｉ邋＼＾，—＾▲社交推薦漆逡逑＼擎■用戶項(xiàng)目蜂■用戶項(xiàng)目學(xué)邋描刑邋%跡危伲幀㈠義�？邋：；／邋＼邋Ｉ起伅粪嶉据逦＾￣＾辶x希嬗沒钅垮危ǎ⒂沒钅垮義媳緪娤ⅲ藎濉義賢跡玻瞪緇嶧萍齷究蚣苠義隙諳钅坷淦舳�，主要矢`諳钅磕諶萆轄邢钅刻卣魈崛�，染忬根究M沒у義俠沸形

本文編號(hào)：2638763