基于顾客交易数据的协同过滤推荐方法研究

摘要

随着Internet的普及和电子商务的快速发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。许多著名的电子商务网站都开发了推荐系统，为顾客提供个性化的信息推荐服务。电子商务推荐系统能够直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。 电子商务推荐系统已逐渐成为电子商务信息技术的一个重要研究内容，受到越来越多研究者的关注。特别是应用最成功的协同过滤推荐系统，在理论和实践中都得到了很大发展，但是随着电子商务系统规模的进一步扩大，协同过滤推荐系统也面临着一系列挑战。 论文对电子商务推荐系统及其相关技术进行了深入的探讨和研究，并详尽分析了协同过滤推荐算法在应用过程中存在的问题及现有的解决方法，在此基础上提出了基于顾客交易数据的协同过滤推荐方法，然后更进一步地提出了改进算法，即基于项目综合指标值预测的协同过滤推荐算法和基于顾客模糊聚类的协同过滤推荐算法。 基于顾客交易数据的协同过滤推荐思想是：基于顾客的购买交易记录数据应用RFM分析方法来确定顾客对商品的忠诚度，并以体现顾客忠诚度的IRFM综合指标值来反映顾客的购买偏好，然后基于IRFM分析矩阵应用提出的协同过滤推荐算法为顾客提供个性化的商品推荐。基于项目综合指标值预测的协同过滤推荐算法和基于顾客模糊聚类的协同过滤推荐算法则是在上述推荐思想的基础上对传统协同过滤方法的改进。论文对提出的算法进行了详细的理论分析，并验证了推荐算法的合理性和有效性。提出的算法很好的解决了传统协同过滤推荐方法在应用中存在的问题，从而有效提高了电子商务个性化推荐系统的推荐质量。最后，论文对研究内容进行了全面的总结，指出其存在的不足，并展望了未来进一步的研究发展方向。

目录

文摘

英文文摘

声明

第1章引言

1.1研究背景

1.2电子商务推荐系统的主要研究内容及研究现状

1.2.1电子商务推荐系统的主要研究内容

1.2.2电子商务推荐系统的研究现状

1.3电子商务推荐系统面临的主要挑战

1.4本文的主要研究内容

1.5论文结构

第2章电子商务推荐系统及其相关技术

2.1电子商务推荐系统的界面表现形式

2.2电子商务推荐系统的输入/输出方式

2.2.1电子商务推荐系统的输入方式

2.2.2电子商务推荐系统的输出方式

2.3电子商务推荐系统的分类

2.4相关技术

2.4.1协同过滤

2.4.2聚类

2.4.3关联规则

2.4.4贝叶斯网络

2.4.5 Horting图

2.5小结

第3章协同过滤推荐算法

3.1电子商务推荐算法概述

3.2协同过滤推荐算法

3.2.1基于用户的协同过滤推荐算法(User-Based)

3.2.2基于项目的协同过滤推荐算法(Item-Based)

3.3协同过滤推荐算法应用中存在的问题

3.3.1数据稀疏性(Sparsity)问题

3.3.2算法的可扩展性(Scalability)问题

3.3.3冷开始(Cold-start)问题

3.3.4奇异发现(Serendipity)问题

3.4协同过滤推荐算法的改进

3.4.1 LSI/SVD-based协同过滤推荐算法

3.4.2 Cluster-based协同过滤推荐算法

3.4.3基于项目聚类的协同过滤推荐算法

3.5小结

第4章基于顾客交易数据的协同过滤推荐算法

4.1顾客购买偏好分析

4.1.1购买偏好度量

4.1.2购买偏好分析

4.2基于用户的协同过滤推荐(User-based CF)

4.2.1最近邻查询

4.2.2推荐产生

4.3基于项目的协同过滤推荐(Item-based CF)

4.3.1最近邻查询

4.3.2推荐产生

4.4算法举例

4.5小结

第5章基于项目综合指标值预测的协同过滤推荐算法

5.1算法的提出

5.2算法描述

5.2.1符号说明

5.2.2算法的输入输出

5.3推荐过程

5.3.1最近邻搜索

5.3.2推荐产生

5.4算例分析

5.4.1数据集

5.4.2度量标准

5.4.3结果分析

5.5小结

第6章基于顾客模糊聚类的协同过滤推荐算法

6.1算法的提出

6.2算法流程

6.3运用模糊聚类算法构造顾客在属性特征上的相似关系群

6.3.1模糊聚类算法概述

6.3.2构造顾客在属性特征上的相似关系群

6.4构造综合最近邻居集并产生推荐

6.5算例分析

6.5.1数据集

6.5.2结果分析

6.6小结

第7章总结与展望

7.1本文工作的总结

7.2未来工作

参考文献

致 谢

攻读学位期间发表的学术论文