跨境電商作為電子商務中的一種新興行業(yè),其數(shù)據(jù)規(guī)模也如一般電子商務一樣急劇擴大,用戶面臨著日益嚴重的“信息過載”問題。推薦系統(tǒng)作為解決該問題的有效手段,在學術(shù)界和企業(yè)界都已有了一定成果。但跨境電商由于涉及商品出入境,因此受到諸多政策法規(guī)的影響,產(chǎn)生了對推薦系統(tǒng)的一些特殊需求,導致傳統(tǒng)協(xié)同過濾推薦算法對于跨境電商的商品推薦效果較差。本文先對現(xiàn)有協(xié)同過濾推薦系統(tǒng)的基本理論進行了總結(jié)和梳理,在此基礎上,結(jié)合用戶對商品屬性的偏好以及情境化用戶偏好來滿足跨境電商推薦系統(tǒng)的系統(tǒng)需求。本文首先基于現(xiàn)有研究對推薦系統(tǒng)進行綜述,梳理了構(gòu)建推薦系統(tǒng)的要點。對于常見的推薦算法做了介紹和優(yōu)缺點分析,同時也總結(jié)了推薦系統(tǒng)的評級方法與評價指標,給出了一些評價指標的計算方法。接著對傳統(tǒng)協(xié)同過濾推薦算法做了詳細說明與優(yōu)缺點分析,在明確傳統(tǒng)協(xié)同過濾推薦算法不足的基礎上,針對跨境電商行業(yè)改進該算法。根據(jù)企業(yè)實際和國家政策法規(guī),進行了系統(tǒng)需求分析,得到單人限購額度、爆品效應強等一系列跨境電商行業(yè)的特殊需求。然后提出了一種基于商品屬性和情境化用戶偏好的協(xié)同過濾推薦算法來滿足系統(tǒng)需求,并給出了系統(tǒng)框架和算法流程。最后使用某跨境電商企業(yè)訂單數(shù)據(jù)集,對本文提出的改進算法進行實驗分析,與傳統(tǒng)協(xié)同過濾推薦算法相比較,降低了協(xié)同過濾推薦算法中的數(shù)據(jù)稀疏性的影響,并驗證了改進算法具有更好的推薦效果。
【學位單位】：華中科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.3;F724.6;F274
【部分圖文】：

圖 2-2 國外知名企業(yè)所用推薦算法基于內(nèi)容的推薦算法于內(nèi)容的推薦算法是早期推薦系統(tǒng)所使用的推薦算法，它使用能代文本信息來產(chǎn)生推薦結(jié)果，一般使用概率統(tǒng)計和機器學習等技術(shù)實影推薦系統(tǒng)，該算法可能會利用電影中的元數(shù)據(jù)，如電影名稱、導演用戶的文字評論等信息來做出推薦。其基本原理如圖 2-3 所示。電影2電影3類型：恐怖驚悚類型：喜劇動作相似

2 22 2, cos ,uvu vui vii Iui vii I i Ir ruvsim u v u vu v r r 相關系數(shù)計算公式如下： 2 2( ) ( ),( ) ( )uvu vui u vi vi Iui u vi vi I i Ir r r rsim u vr r r r 近鄰搜索用戶相似度之后，可依據(jù)用戶相似度搜索具有與目標用戶，通常有 K 最近鄰法(K Nearest Neighbors, KNN)和閾值法鄰法：無論近鄰用戶和目標用戶的相似度是多少，都會挑選 個近鄰用戶，組成目標用戶的最近鄰集合。該方法中，K將相似度不高的近鄰用戶納入最近鄰的情形，導致最終個設置的過低則導致最近鄰的偏好項目集過小，推薦結(jié)果多

實驗中將按照 1:1 的比例隨機劃分數(shù)據(jù)集為訓練集和測試集，使得每一個用戶在訓練集和測試集中都存在購買記錄，且同一個用戶在兩個數(shù)據(jù)中購買的商品不相同。實驗通過訓練集計算出最近鄰用戶集，然后預測測試集中目標用戶對他未產(chǎn)生過購買行為的商品的購買意向。由于算法采用 K 最近鄰法選取最近鄰，所以實驗將在多組 K 值下，對比分析 User-CF 算法與本文提出的基于商品屬性和情境化用戶偏好的協(xié)同過濾推薦算法的推薦效果。5.3 結(jié)果分析為了驗證本文提出的基于商品屬性和情境化用戶偏好的協(xié)同過濾推薦算法的有效性，首先要明確公式（4.2）提出的用戶相似度度量方法與算法推薦結(jié)果質(zhì)量之間的關系。在本實驗中，將公式（4.2）中的 θ 值以 0.1 為步長并從 0 開始，逐漸提加到 1.0，K 最近鄰法中 K 值分別取 30、40、50，然后觀察不同權(quán)重 θ 對本算法推薦結(jié)果召回率的影響，實驗結(jié)果如圖 5-1 所示。
【相似文獻】

相關期刊論文 前10條

1 許媛萍;;基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦分析與探究[J];新聞研究導刊;2018年13期

2 李改;鄒小青;;基于隱式反饋的協(xié)同過濾算法研究綜述[J];福建電腦;2018年11期

3 胡致杰;胡羽沫;;協(xié)同過濾推薦瓶頸問題研究[J];無線互聯(lián)科技;2016年09期

4 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術(shù)的個性化網(wǎng)絡教學平臺研究[J];科技風;2012年06期

5 檀亞寧;金澤明;陳輝;;基于項目協(xié)同過濾的電視產(chǎn)品營銷推薦模型[J];科技資訊;2019年32期

6 張家鑫;劉志勇;張琳;張倩;莎仁;;基于協(xié)同過濾的多維度電影推薦方法研究[J];長春理工大學學報(自然科學版);2019年02期

7 楊莉;;基于時間因子的協(xié)同過濾算法研究[J];電腦知識與技術(shù);2019年09期

8 章宗杰;陳瑋;;基于標簽擴展的協(xié)同過濾算法在音樂推薦中的應用[J];軟件導刊;2018年01期

9 王嬋;;一種基于加權(quán)因子的混合協(xié)同過濾算法[J];電腦知識與技術(shù);2018年09期

10 劉文佳;張駿;;改進的協(xié)同過濾算法在電影推薦系統(tǒng)中的應用[J];現(xiàn)代商貿(mào)工業(yè);2018年17期

相關博士學位論文 前10條

1 符明晟;基于深度學習的智能推薦技術(shù)研究[D];電子科技大學;2019年

2 顧梁;播存結(jié)構(gòu)中基于協(xié)同過濾的內(nèi)容推薦技術(shù)研究[D];東南大學;2017年

3 袁衛(wèi)華;面向稀疏數(shù)據(jù)的多視圖個性化推薦方法研究[D];山東師范大學;2018年

4 孫小華;協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D];浙江大學;2005年

5 薛福亮;電子商務協(xié)同過濾推薦質(zhì)量影響因素及其改進機制研究[D];天津大學;2012年

6 段銳;融合文本內(nèi)容與情境信息的協(xié)同過濾推薦方法研究[D];合肥工業(yè)大學;2017年

7 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D];大連理工大學;2008年

8 張雪潔;基于QoS的個性化云服務推薦方法研究[D];南京航空航天大學;2015年

9 姜邵巍;基于競爭關系的推薦技術(shù)研究[D];北京郵電大學;2014年

10 王立才;上下文感知推薦系統(tǒng)若干關鍵技術(shù)研究[D];北京郵電大學;2012年

相關碩士學位論文 前10條

1 郭路路;基于稀疏數(shù)據(jù)的協(xié)同過濾推薦算法研究及實現(xiàn)[D];重慶郵電大學;2019年

2 朱煜;基于數(shù)據(jù)特征的任務分派方法研究與實現(xiàn)[D];南京師范大學;2019年

3 宋芳;基于項目流行度加權(quán)的協(xié)同過濾推薦系統(tǒng)研究與開發(fā)[D];寧夏大學;2019年

4 姜婧;推薦系統(tǒng)中協(xié)同過濾算法的研究與改進[D];南昌大學;2019年

5 姚葉慧;基于虛擬群組用戶的協(xié)同過濾推薦算法研究[D];南京航空航天大學;2019年

6 孫楠;基于聚類的協(xié)同過濾算法研究[D];南昌大學;2019年

7 楊博;面向金融產(chǎn)品推薦的協(xié)同過濾算法研究[D];哈爾濱工業(yè)大學;2019年

8 潘斌強;融合用戶信任網(wǎng)絡模型的協(xié)同過濾推薦方法研究[D];哈爾濱工業(yè)大學;2018年

9 葉龔兵;基于協(xié)同過濾的電影推薦系統(tǒng)的研究[D];華南理工大學;2019年

10 韓瀅晫;基于圖數(shù)據(jù)庫的音樂推薦系統(tǒng)的設計與實現(xiàn)[D];上海交通大學;2017年

本文編號：2873517