基于混合推荐算法的电子商务推荐系统研究

摘要

随着互联网技术的迅猛发展，全球网民数量的迅猛上升，电子商务变得越来越普及，消费者相比于实体店更加倾向于网上购物。但是网上购物在给人们的生活带来便利的同时，随之而来的是信息的爆炸式增长，用户如何从琳琅满目的各类商品中选出自己需要的商品，已经成为了目前电子商务网站在提高销售额上需要解决的首要难题，虽然搜索引擎在这个问题就表现的很好。但是这种搜索是基于用户主动的，当用户不清楚自己的需求的时候，这种搜索引擎就完全失去了作用。这个时候推荐系统的作用就体现出来了，推荐系统被认为是更加个性化的解决方法，因此，推荐系统在现代化电子商务系统中变得越来越重要。
　　为了满足用户被动接受推荐的需求，秉着为用户提供优质更优质服务的原则，研究推荐系统变得越来越重要。本文对用户的特征信息，用户交互行为，商品的特征信息，推荐引擎，以及数据挖掘中的相关技术做了比较深入的研究。分析了现代商务网站中推荐系统存在的“大数据量”，“冷启动”，以及“数据稀疏”问题。针对前两个问题，本文首先将大数据量问题化为大用户组问题接着运用k-means聚类算法将大用户组划分为同质用户组的方式来缓解，针对于后者，本文提出在同质用户组内结合协同过滤算法和基于内容的推荐算法的组合方式来缓解该问题。
　　本论文主要研究了以下几个方面:
　　1.深入研究了推荐系统的原理，将推荐系统分为信息预处理模块和推荐引擎模块分开研究。接着借用基于人口统计学推荐算法的思想对用户建模。然后通过研究用户与商场网站的交互行为，运用加权法将用户行为转换为偏好评分。在商品建模阶段研究了信息检索领域的相关技术，运用向量空间模型对商品建模。
　　2.在本文推荐引擎的研究上，首先利用k-means聚类算法跟据用户模型将用户划分为属性相似的小用户组，缓解了“大数据量”问题，然后利用组内用户评分排序的方式缓解了“冷启动”问题。
　　3.详细的研究了协同过滤算法和基于内容的推荐算法的实现。通过实例比较在两种算法中运用不同的相似度计算方案时，真实相似度与计算相似度之间的差异，为两种算法选择了各自的最佳相似度计算方案。分析了“数据稀疏”影响准确率的原因。在此基础上提出了两种协同过滤算法和基于内容的推荐算法之间的整体式组合和分层式组合方案。
　　4.在本文的实验阶段，首先以准确率和召回率为评判指标来进行第一个实验，确定了方案一中的两种算法整体式组合的最优权值，第二个实验，将6种算法以平均绝对误差为评判指标，证明了本文提出的两种组合方式能够提高推荐引擎推荐的准确率。也从侧面证明了本文针对“冷启动”提出的同质组内评分排序的方式，能够缓解“冷启动”问题。

目录

声明

摘要

第1章 绪论

1．1 研究背景以及意义

1．2 国内外研究现状

1．3 论文结构

1．4 本文研究的主要内容

第2章 推荐系统原理及研究路线

2．1 推荐系统原理

2．2 本文研究路线

2．3 本文推荐系统各个阶段算法的选择

2．4 本章小结

第3章 信息预处理模块研究

3．1 用户信息预处理

3．1．1 基于人口统计学的推荐

3．1．2 用户信息建模

3．2 交互数据预处理

3．2．1 交互数据提取

3．2．2 交互行为的量化

3．3 商品信息预处理

3．3．1 非结构化数据处理

3．4 本章小结

第4章 推荐引擎模块研究

4．1 常见推荐算法的研究

4．1．1 基于用户的协同过滤算法研究

4．1．2 基于项目的协同过滤算法研究

4．1．3 基于内容的推荐算法研究

4．1．4 其他常见的推荐算法研究

4．1．5 算法组合方式研究

4．2 推荐引擎常见问题探究

4．2．1 推荐引擎所面临的问题

4．2．2 解决方案

4．3 混合推荐引擎设计

4．3．1 用户分组

4．3．2 组合推荐算法的设计

4．4 推荐系统准确度预测指标

4．4．1 准确率与召回率

4．4．3 平均绝对误差

4．5 本章小结

5．1 实验说明

5．2 实验数据集描述

5．3 实验环境搭建

5．4 实验过程及实验结果

5．4．1 实验一获取最优权重w

5．4．2 实验二算法性能比较与最近邻居选取

5．4．3 实验总结

5．5 本章小结

结论

致谢

参考文献