基于社交网络用户关系的电子商务个性化推荐应用算法研究

摘要

近几年来，互联网迅猛发展，电子商务保持着持续增加的趋势，信息量不断增长，并且出现过载的现象，因此电子商务在进行运营过程中面临着巨大的挑战。为了解决这一难题，电子商务推荐系统应运而生，而且随着在线社交网络的发展，在电子商务注册的用户中很多存在着社交关系，这些社交关系能够对推荐系统带有很多帮助，可以改进传统的推荐算法当中出现的问题，比如“稀疏性”问题、“冷启动”问题和“可扩展性”问题等。 本文针对个性化推荐算法进行了研究，综合考虑了用户之间的信任关系。首先就研究背景、研究目的和研究现状进行了综述，对相关研究的理论进行了概述，在此基础上提出了本文所研究的问题。第一，对社交网络进行了挖掘，运用链式理论，利用社交网络中用户之间的联系频率来表示用户之间的信任度，分别讨论了在确定性信息和不确定信息下的处理方法，针对不确定性信息利用不确定理论的有关方法求得信任度;第二，对社交网络中用户之间的相似性进行了挖掘，主要考虑用户所关注的特定标签和用户对项目的评分两个方面，通过Pearson相似性方法计算用户之间的相似性;第三，对用户-项目评分矩阵进行挖掘，在电子商务个性化推荐过程中，兴趣度是衡量一个用户对产品行为数据中非常重要的一个参数，但是在实际中，用户-项目评分数据往往是缺失的，所以需要把缺失的数据预测出来，本文利用改进的矩阵分解算法对缺失数据进行预测;第四，构建个性化推荐神经网络算法，本文用当前用户对当前项目的相似性用户个数、平均相似性、信任用户个数、平均信任度、用户-项目评分矩阵为输入变量，以当前用户对当前项目是否购买为输出变量进行算法的设计。最后通过算法验证本论文所提出算法的有效性，通过对1048576数据进行实验，得出精度较高的推荐结果，具有一定的进步意义。

目录

声明

摘要

第1章绪论

1．1研究背景

1．2．1理论意义

1．2．2实际意义

1．3研究内容

1．4研究思路与方法

1．4．1研究思路

1．4．2研究方法

1．5论文结构

第2章相关文献综述

2．1文献检索情况概述

2．1．1文献检索范围分析

2．1．2相关文献情况分析

2．2社交网络和个性化推荐研究综述

2．2．1国外研究现状

2．2．2国内研究现状

2．2．3存在问题以及研究趋势

2．3已有文献的贡献和不足

2．3．1主要贡献

2．3．2不足之处

2．3．3对本文研究的启示

第3章相关研究理论与方法综述

3．1个性化推荐概述

3．2协同过滤个性化推荐算法

3．2．1协同过滤推荐算法概述

3．2．2基于内容的协同过滤推荐

3．2．3基于模型的协同过滤推荐

3．2．4梯度法

3．3社交网络挖掘

3．3．1社交网络概述

3．3．2社交网络的模型化

3．3．3社交网络的信任理论

3．4神经网络算法

3．4．1神经网络算法简介

3．4．2神经网络算法过程

3．5本章小结

第4章基于社交网络用户信任关系与相似性关系挖掘

4．1社交网络用户关系背景描述

4．1．1社交网络特征

4．1．2社交网络图论表示

4．2社交网络用户信任关系挖掘

4．2．1社交网络用户信任关系特征

4．2．3确定性情形下社交网络用户信任关系强度挖掘

4．2．4不确定情形下社交网络用户信任关系强度挖掘

4．3社交网络用户相似性挖掘

4．3．1用户相似性问题描述

4．3．2获取用户特征向量

4．3．3用户标签信息相似性挖掘

4．3．4生成相似性关系网

4．4本章小结

第5章社交网络用户的电子商务个性化推荐算法设计

5．1．1矩阵分解挖掘用户-项目兴趣度

5．1．2矩阵分解改进算法设计

5．1．3产生用户-项目兴趣度矩阵

5．2基于神经网络的个性化推荐算法设计

5．2．1个性化推荐的目标

5．2．2数据预处理

5．2．3神经网络个性化推荐算法设计实现

5．3本章小结

第6章W电子商务产品个性化推荐算例

6．1算例背景介绍

6．2数据收集

6．3数据清洗

6．4评测标准

6．4．1 MAE

6．4．2 RMSE

6．4．3查准率

6．5个性化电子商务推荐数据挖掘

6．6推荐方案及结果分析

6．7本章小结

7．1论文的结论

7．2进一步展望

参考文献

致谢

附录

作者简介