隨著計算機(jī)技術(shù)和安全性的提升,電子商務(wù)拓展到了軍事、教育、醫(yī)療等領(lǐng)域,互聯(lián)網(wǎng)上可供選擇的商品數(shù)巨大。但是逐步擴(kuò)大的互聯(lián)網(wǎng)規(guī)模導(dǎo)致各大電子商務(wù)網(wǎng)站處理著大量的內(nèi)容,并提供大量的結(jié)果來響應(yīng)用戶查詢。導(dǎo)致用戶無法過濾掉無關(guān)的商品信息,這給用戶造成了信息過載的問題。商家逐漸意識到在當(dāng)今瞬息萬變的商業(yè)環(huán)境中,以最有效和最及時的方式滿足客戶需求是至關(guān)重要的。為了更快更準(zhǔn)確的幫助用戶找到符合他們興趣的信息,推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)跟蹤用戶的瀏覽行為,并利用合適的推薦算法來預(yù)測用戶感興趣的商品。在推薦系統(tǒng)的研究中,推薦算法的確定和用戶信息獲取的準(zhǔn)確性是研究的關(guān)鍵問題。為了跟隨電子商務(wù)的潮流和趨勢,本文在實(shí)際需求的情況下開發(fā)了個性化推薦式網(wǎng)上書店系統(tǒng),實(shí)現(xiàn)了集個性化推薦與在線書城于一體的專業(yè)型電子商務(wù)網(wǎng)站。本文所做工作如下:1)研究推薦系統(tǒng)和Web開發(fā)所用到多種技術(shù),首先從推薦系統(tǒng)的國內(nèi)外相關(guān)技術(shù)得研究背景出發(fā),對基于內(nèi)容的過濾、基于內(nèi)存的協(xié)同過濾、基于模型的協(xié)同過濾以及基于聚類的協(xié)同過濾推薦算法進(jìn)行詳細(xì)講解;接著對系統(tǒng)開發(fā)所用到的Web開發(fā)技術(shù)和開發(fā)過程進(jìn)行了詳細(xì)闡述。2)針對協(xié)同過濾遇到的稀疏性問題,闡述了稀疏性問題的成因以及對推薦系統(tǒng)的影響,并利用評價指標(biāo)對現(xiàn)有解決稀疏性的算法進(jìn)行評測。3)對book-Crossing數(shù)據(jù)集的數(shù)據(jù)進(jìn)行處理后,再利用準(zhǔn)確率和召回率對協(xié)同過濾算法和基于k-means算法進(jìn)行對比,來說明妥善處理完稀疏性后推薦性能更好。4)分析了個性化圖書推薦系統(tǒng)的需求,從功能性和非功能性兩個方面進(jìn)行分析,從參與者的角度對系統(tǒng)進(jìn)行設(shè)計并把系統(tǒng)劃分為用戶端模塊、服務(wù)器模塊以及數(shù)據(jù)庫模塊。最后就系統(tǒng)的實(shí)現(xiàn)過程進(jìn)行詳細(xì)介紹。本設(shè)計開發(fā)的個性化推薦式網(wǎng)上書店系統(tǒng)利用算法進(jìn)行反復(fù)的實(shí)驗(yàn),已經(jīng)能夠完成網(wǎng)上書店的所有基本功能,同時能夠動態(tài)高效地推薦給用戶感興趣的圖書項(xiàng)目。
【學(xué)位單位】：寧夏大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.3
【部分圖文】：

邐模型逡逑圖２－１推薦系統(tǒng)過程逡逑從圖２－１可以看出推薦系統(tǒng)首先顯式或隱式的獲取用戶信息、用戶對產(chǎn)品的評級評價以及逡逑用戶興趣愛好等信息。然后根據(jù)獲得的不穩(wěn)定的用戶數(shù)據(jù)，提煉出有價值的數(shù)據(jù)并建立用戶模逡逑型，同時構(gòu)建項(xiàng)目文件和項(xiàng)目的特征模型。推薦算法根據(jù)建立好的用戶模型和項(xiàng)目文件，用特逡逑定的算法進(jìn)行不斷的訓(xùn)練后提供給用戶特定的推薦。常見的推薦算法包括基于內(nèi)容的推薦算法，逡逑協(xié)同過濾推薦算法以及混合推薦算法。這些推薦算法也己經(jīng)成功的部署在商業(yè)環(huán)境中。推薦系逡逑統(tǒng)是否能準(zhǔn)確的根據(jù)用戶信息做出高質(zhì)量推薦，關(guān)鍵取決于推薦算法。推薦系統(tǒng)數(shù)學(xué)模型為：逡逑邐表１推薦系統(tǒng)數(shù)學(xué)模型邐逡逑已知逡逑＊邐用戶集合ｔ／；逡逑？邐推薦項(xiàng)目特征集合Ｔ；逡逑？邋Ｒ是用戶對項(xiàng)目興趣度的全序非負(fù)整數(shù)或?qū)崝?shù)集合；逡逑？邐效用函數(shù)ｕ（ｃ，ｔ）：ｔ／＊Ｔ—Ｒ度量活動用戶ｃ對項(xiàng)目ｔ的感興趣度；逡逑目標(biāo)逡逑對于ＶｃｅＵ，確定使效用函數(shù)值最大的項(xiàng)目ｔｅＴ，即逡逑邐Ｖｃ邋ｅ邋Ｕ邋．邋ｔ邋＝邋ａｒｇ邋ｍａｘ邋ｕ（ｃ，ｔ）邐逡逑－６－逡逑

然后在低維特征空間中給予坐標(biāo)來對用戶和項(xiàng)目兩者進(jìn)行編碼。其中用戶對項(xiàng)目的評價被逡逑建模為期望的用戶和項(xiàng)目特征向量的內(nèi)積。設(shè)表示用戶特征矩陣，ｖ表示分別由用戶和項(xiàng)目逡逑特征向量組成的項(xiàng)目特征矩陣。圖２－３給出了基于模型的協(xié)同過濾的可視化計算，其中假設(shè)項(xiàng)逡逑目是圖書，則ｄ是項(xiàng)目的數(shù)量。逡逑ｄ邐邐邐邐邐逡逑Ｕｓｅｒ邋Ｒ邐Ｉ邋＇邋－邋！邋Ｕ邐Ｓ３邐Ｖ逡逑Ｕｓｅｒ邐ｄ逡逑圖２－３基于模型的協(xié)同過濾的可視化計算逡逑理想情況下打，；＝＆，＋，巧＞７／，＿／，根據(jù)損失函數(shù)最小化為均方根誤差（７？從￡），逡逑ＲＭＳＥ＝邋Ｕ－＾ｉＰｖ．ｖ－ｒ＾）２邐ａｎ）逡逑Ｖ邋＾邋ｕ，ｖ逡逑其中的Ｐｗ，ｖ和？Ｖ分別是用戶１１和項(xiàng)目Ｖ的預(yù)測評級和觀察評級。預(yù)測公式為：逡逑ｐｉｊ邋＝邋｛Ｕｉ，Ｖｊ）邐（２．Ｓ）逡逑－１１－逡逑

逡逑從表３－７、圖３－１和圖３－２可以得出，■算法是提能供最合理分布的簇的算法。而Ｍｆｅ沿逡逑算法能保證簇近似均句分布但是不如準(zhǔn)確度高。／ｚＭｅ沿有一個不平衡參數(shù)Ｌ／ｆｏ／ｆｌｃ／ｗ它逡逑會導(dǎo)致算法覆蓋面高但分區(qū)不平均。在協(xié)同過濾系統(tǒng)中對數(shù)據(jù)集進(jìn)行分區(qū)時，系統(tǒng)主要希望能逡逑減少稀疏性并提高預(yù)測的準(zhǔn)確性。分區(qū)算法是最良好的聚類算法，生成的分逡逑區(qū)準(zhǔn)確性和覆蓋率均優(yōu)于其他算法Ｉ３６３。將項(xiàng)目空間劃分成許多較小的集群，每個分區(qū)逡逑單獨(dú)的推薦計算將花費(fèi)較少的時間來完成，同時由于每個分區(qū)獨(dú)立于其他分區(qū)，所以每個分區(qū)逡逑的預(yù)測計算可以并行進(jìn)行，從而進(jìn)一步提高推薦的速率。逡逑ＭＡＥ逡逑１．１８逡逑１．１７逡逑１１６邐ＢＫ逡逑Ｗ邋１．１５邐■邐■逡逑Ｉ邐Ｉ邐Ｉ邋Ｉ邋■邋Ｉ逡逑／邋／邋／邋／邋／逡逑五種算法逡逑圖３－１五種聚類方式ＭＡＥ對比逡逑－２０－逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陸怡靜;曹健;;基于主題模型的多層次服務(wù)推薦[J];小型微型計算機(jī)系統(tǒng);2015年11期

2 于洪;李俊華;;一種解決新項(xiàng)目冷啟動問題的推薦算法[J];軟件學(xué)報;2015年06期

3 王茜;錢力;;大數(shù)據(jù)環(huán)境下電子商務(wù)個性化推薦服務(wù)發(fā)展動向探析[J];商業(yè)研究;2014年08期

4 李振博;徐桂瓊;g

本文編號：2820792