电子商务推荐系统的优化模型

发布时间：2017-03-27 09:03

  本文关键词：电子商务推荐系统的优化模型，，由笔耕文化传播整理发布。

【摘要】：电子商务环境包括多方之间利用电子技术进行的所有在线活动和业务运营,随着互联网和电子商务网站的巨大发展,当消费者选择他们所需物资和商品时,他们面临着严重的数据重载问题。因此许多网站研究和项目都专注于推荐系统的研发,以向用户提供更多的个性化推荐服务。 推荐系统已经成为许多电子商务巨头的重要工具,用于帮助他们的顾客更快捷便利地找到自己心仪的产品。它就像推销员一样向用户提供建议和服务,帮助他们找到需要的商品和其它感兴趣的东西。 然而,随着推荐服务的广泛使用,一些问题和挑战也随之而来,比如实时推荐、信息缺乏、冷启动问题和建议质量。因此目前推荐系统的正常工作和优势仍然受一些问题的其影响；如有限的内容分析,过度专业化,先令攻击,多样性与长尾和可扩展性的问题。 为了解决这些问题,我们建立了基于混合推荐技术结合数据挖掘中聚类技术的新模型推荐系统,为着克服缺点点,并提供满足各类用户兴趣和需求的最好推荐结果与优势。 本研究课题的目的是在全球电子商务网站创建全新的推荐系统服务模型,优化推荐系统。 在该模型中,最有效的数据源都被整合,提高了推荐系统的准确性,也向客户端提供更直观的分类浏览界面。 我们的主要服务推荐系统有五个功能可以概括为以下几点：基于搜索数据的标识：推荐系统生成的搜索引擎的数据,搜索历史记录,点击url。然后使用与用户配置文件信息模型的搜索数据,提供用户根据这些生成推荐结果搜索数据。我们已经提出和应用一种改进的优质STC(后缀树聚类)算法结合用户兴趣的概要文件来执行搜索推荐服务。 基于评级信息的标识：生成评价项目,并使用该模型的评级信息,项目信息和用户配置文件数据提供推荐结果。我们使用邻居聚类方法分类支持向量机(SVM)分类佑的评级数据,以提供用户高级质量推荐基于他们的评级信息和类似的用户评分数据。 新项目推荐：对于它们没有什么可评价数据的新项目,购买信息,甚至项目详细的功能,系统采用基于内容的模型来分析新项目的输入特征和相似度评分项目提供推荐,我们提出了一个新的聚类技术解决冷启动问题存在于当前的推荐系统。 新用户推荐：系统中两种类型的用户：用户注册到网站,用户有一个帐户没有任何评级或购买数据,第二种是有购买的活跃用户,额定甚至搜索日志。推荐系统使用新的用户配置文件数据模型分析和度量与活跃用户的相似性并提供实时推荐。 推荐基于位置：系统分析用户数据,包括他的网络IP和用户配置文件来确定他的位置,然后使用用户的位置识别数据根据同一位置的用户数据,以提供消费者最感兴趣的项目。 由店主或网站管理的热释放：系统提供了一些推荐,如热释放物品,折扣促销,批发价格,...等。根据管理员或系统算法,店主有权管理和控制这部分的推荐结果；为了提高电子商务网站的业务策略。 我们新的推荐系统的模型属于利用数据挖掘中的聚类技术高度考虑推荐质量,实时推荐结果,并为问题,如冷启动等问题提出了解决方案的完整个性化推荐系统。这使得我们的系统有适应性和可扩展的推荐系统。 当用户浏览网站时,数据源会自动进行整合,分门别类地把每个物品安排到一个新的浏览推荐界面。 这种模型的优势在于灵活高效地帮助用户找到他们真正感兴趣的东西,也解决了当前推荐系统存在的一些问题。 数据挖掘技术和聚类算法已经被提出并应用到实现该模型的构想中,并且使用了多重交叉验证技术评估新模型推荐系统的有效性和准确率。网站选.NET框架环境工具为实现应用程序。用ORACLE进行数据库管理。
【关键词】：电子商务 数据挖掘 推荐系统 聚类算法
【学位授予单位】：中南大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• Abstract6-9
• 摘要9-11
• List of contents11-13
• List of Tables13-14
• List of Figures14-16
• 1 Introduction and Motivation16-24
• 1.1 Introduction16-17
• 1.2 Recommendation Systems in E-Commerce17-20
• 1.1.1 The Value of Recommendation Engines17-18
• 1.1.2 Main functionalities of recommender systems18-20
• 1.3 Requirements for recommender systems20-21
• 1.4 Aim of thesis21-22
• 1.5 The Outlines of the Dissertation22-24
• 2 Traditional Recommendation Algorithms24-33
• 2.1 Content-Based Recommendation Method24-27
• 2.2 Collaborative recommendation method27-31
• 2.3 Hybrid Recommendation System31-32
• 2.4 Summary32-33
• 3 Purposed Recommender System33-69
• 3.1 Basic Architecture of the Recommender System33-39
• 3.2 Logical Schemas of Database39-40
• 3.3 Project Enhancement40-57
• 3.3.1 Data model40-43
• 3.3.2 Process model43-55
• 3.3.3 Online Recommender55-57
• 3.4 Recommendation Algorithms57-68
• 3.4.1 STC Algorithm57-60
• 3.4.2 Neighbor Algorithm60-62
• 3.4.3 Support Vector Machine(SVM)62-65
• 3.4.4 User's location matrix and algorithms65-67
• 3.4.5 Algorithms Integration67-68
• 3.5 Summary68-69
• 4 Project Implementation69-96
• 4.1 Implementation Technologies69-72
• 4.1.1 The .NET Framework69-70
• 4.1.2 Internet Information Service (IIS)70
• 4.1.3 Oracle Database with ASP.NET70-72
• 4.2 Exemplary services implementation72-81
• 4.2.1 Enhanced Recommendation based on Search data72-75
• 4.2.2 Enhanced Recommendation based on Rated Items75-77
• 4.2.3 Cold Start Solutions77-80
• 4.2.4 Identification based on location80-81
• 4.3 Project Implementation81-89
• 4.3.1 Main Page of Items81-82
• 4.3.2 Hot Search Items82-84
• 4.3.3 Top Rated Items84-85
• 4.3.4 New Items & Users Recommendation85-87
• 4.3.5 Recommendation Based on Location87-88
• 4.3.6 Hot Releases by Admin88-89
• 4.4 Prediction Accuracy Evaluation89-95
• 4.4.1 Evaluation Methods of Prediction Accuracy90-91
• 4.4.2 Prediction Result of System91-95
• 4.5 Summary95-96
• 5 Conclusions and Future Works96-98
• 5.1 Conclusions96-97
• 5.2 Future work97-98
• REFERENCES98-103
• Acknowledgments103-104
• Research Publications104

【共引文献】

中国期刊全文数据库 前10条

1 董元方;李军;;用蒙特卡罗方法实现聚类结果评估[J];长春理工大学学报(自然科学版);2008年01期

2 赵鸣;杜友福;;改进型的关联规则算法及其在智能答疑系统中的应用研究[J];长江大学学报(自然科学版)理工卷;2008年04期

3 何宏;谭永红;;一种基于动态遗传算法的聚类新方法[J];电子学报;2012年02期

4 陶珂;朱建军;;多指标融合的小波去噪最佳分解尺度选择方法[J];测绘学报;2012年05期

5 李建忠;;Web网页聚类系统研究与设计[J];韩山师范学院学报;2008年06期

6 杨印生;孙赵华;马萍;陶跃;司瑾;;基于SOMK算法的T-S模糊系统建模方法[J];吉林大学学报(工学版);2008年03期

7 ;CLUSTERING VALIDITY BASED ON THE IMPROVED S_DBW INDEX[J];Journal of Electronics(China);2009年02期

8 殷爱茹,李栋,黄亚楼;基因表达数据聚类有效性分析的EFOM法[J];计算机工程与应用;2005年17期

9 杨晓伟;闫丽;;基于模糊分割的支持向量机分类器[J];计算机工程与应用;2007年28期

10 赵恒,杨万海;模糊K-Modes聚类精确度分析[J];计算机工程;2003年12期

中国重要会议论文全文数据库 前5条

1 刘启亮;邓敏;彭东亮;徐震;;基于场论的空间聚类有效性评价方法研究[A];2009`中国地理信息产业论坛暨第二届教育论坛就业洽谈会论文集[C];2009年

2 李双虎;赵会民;;聚类有效性分析[A];中国自动化学会全国第九届自动化新技术学术交流会论文集[C];2004年

3 张勇;彭怡;李君;石勇;;基于多目标决策的聚类算法有效性评价[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

4 马骁;王晓龙;王轩;卜永忠;;基于网页信息结构的网页体裁聚类分析[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

5 ;Validity of Cluster Technique for Genome Expression Data[A];第24届中国控制与决策会议论文集[C];2012年

中国博士学位论文全文数据库 前10条

1 杨春成;空间数据挖掘中聚类分析算法的研究[D];解放军信息工程大学;2004年

2 赵恒;数据挖掘中聚类若干问题研究[D];西安电子科技大学;2005年

3 王介生;球团烧结过程智能控制方法及其应用研究[D];大连理工大学;2006年

4 杨燕;基于计算智能的聚类组合算法研究[D];西南交通大学;2006年

5 杨春梅;基因表达数据聚类分析算法研究和应用[D];天津大学;2006年

6 曾剑平;基于模糊集的自适应伪装入侵检测算法及其在ASP服务安全中的应用研究[D];厦门大学;2006年

7 梁才浩;基于新型进化算法和微机集群的电力系统并行无功优化研究[D];华中科技大学;2006年

8 王开军;基于数据几何特性的概率推理和统计学习研究[D];西安电子科技大学;2008年

9 王军;基于局部模型的时间序列预测方法研究[D];哈尔滨工业大学;2007年

10 钮建伟;面向适配设计的三维人体数据多分辨率描述与聚类分析[D];清华大学;2009年

中国硕士学位论文全文数据库 前10条

1 牛玲玲;一种层次聚类的簇确认方法研究[D];郑州大学;2010年

2 李红;数据挖掘中特征选择与聚类算法研究[D];大连理工大学;2010年

3 王飞;基于蚁群优化的模糊文本聚类算法研究[D];河南工业大学;2010年

4 贾飞宇;数据挖掘在入侵检测系统中的应用研究[D];东北财经大学;2010年

5 李晓丽;不确定性数据挖掘算法设计[D];电子科技大学;2011年

6 牟善玲;动态心电波形聚类策略的有效性分析[D];天津理工大学;2011年

7 楼佳;中文文本聚类的评价与改进研究[D];杭州电子科技大学;2009年

8 沈杰;基于蚁群算法的中文文本聚类研究[D];杭州电子科技大学;2009年

9 刘小丹;基于自组织神经网络的外刊采购标段划分研究[D];哈尔滨工业大学;2010年

10 徐长龙;药品集中招标采购中标段划分问题研究[D];哈尔滨工业大学;2010年

  本文关键词：电子商务推荐系统的优化模型，由笔耕文化传播整理发布。

本文编号：270148