商品导购方法与关键技术研究

摘要

网络购物正在成为越来越多人生活中不可或缺的一部分。伴随电子商务用户量的迅猛增长，线上电商平台的商品数量也有了极大的丰富，面对海量的商品选择，消费者很难从中挑选出自己真正需要购买的商品。商品导购是第三方平台解决这一问题的主要方式。然而，现有的第三方导购应用大都还处于手工作坊阶段，非常依赖于网站编辑的人工发现和手工推荐，缺乏定制化与个性化。
　　本文立足于利用推荐算法构建一个智能的商品导购系统——最可买zuikemai.com，围绕着针对用户的商品、商品集、商品分类以及商品相关文章等的推荐，对其中遇到的一些问题进行深入探索和研究:
　　(1)将对产品集合的推荐作为一种新的模式引入到推荐系统中来，扩展了传统的用户-产品推荐模式，并提出了一种基于组合评分值的协同过滤集合推荐算法，用以解决集合推荐问题。
　　(2)引入了一种新的视角，将针对用户的产品推荐视为分类推荐的一种特例，即认为每个产品是一个最小的分类，构成分类树上的一个叶子节点，因此，产品分类推荐其实是对产品推荐的扩展。对于产品的推荐，本文提出了一种基于稀疏度的分类粒度动态选择算法，用以选择合适的分类粒度，结合分类粒度内的产品排序，我们可以得到对用户的产品推荐。本文提出算法一定程度上可以解决数据稀疏性问题。
　　(3)对于新用户冷启动问题，本文提出了一种基于利用开放平台如新浪微博数据的用户聚类的协同过滤算法，尝试利用外部数据来解决冷启动问题。
　　(4)对于商品和文章的相互推荐问题，本文提出了一种基于组合关联度的协同过滤算法，其可用于解决相互推荐问题。

目录

声明

摘要

第1章 绪论

1．1 课题背景

1．1．1 网络购物的流行

1．1．2 网络购物面临选择难的问题

1．1．3 导购应用的现状和面临的问题

1．2 研究意义

1．2．1 构建了一个智能的个性化导购系统

1．2．2 对推荐系统进行了有益的探索和扩展

1．3 本文所做的工作和创新

1．4 论文结构安排

1．5 本章小结

第2章 推荐系统综述

2．1 推荐算法

2．1．1 基于相似度的协同过滤算法

2．1．2 基于产品特征的推荐算法

2．1．3 混合推荐

2．2 推荐系统的挑战

2．2．1 冷启动问题

2．2．2 数据稀疏性问题

2．3 推荐算法的评价

2．3．1 预测准确度

2．3．2 分类准确度

2．3．3 其他评价指标

2．4 本章小结

第3章 商品导购方法设计

3．1 核心数据对象

3．1．1 用户

3．1．2 商品

3．1．3 商品分类

3．1．4 商品集

3．1．5 文章

3．2 推荐的应用场景

3．2．1 首页推荐

3．2．2 商品详情页推荐

3．2．3 文章详情页推荐

3．3 结合消费者心理学的导购设计

3．4 本章小结

第4章 关键技术研究与实验

4．1 基于利用社交网络数据的用户聚类的协同过滤算法

4．1．1 新浪微博开放平台

4．1．2 基于微博状态数据的用户聚类

4．1．3 基于用户聚类的协同过滤算法

4．1．4 实验及结果分析

4．2 基于组合评分值的协同过滤集合推荐算法

4．2．1 集合的推荐

4．2．2 基于组合评分值的集合推荐算法

4．2．3 实验结果及分析

4．3 一种基于产品分类推荐的产品推荐算法

4．3．1 淘宝网商品分类系统

4．3．2 基于稀疏度的分类的动态选择

4．3．3 基于协同过滤的分类推荐

4．3．4 基于分类和分类内产品排序的产品推荐

4．3．5 实验与分析

4．4 基于相互关联度的协同过滤相互推荐算法

4．4．1 相互推荐系统

4．4．2 一种基于相互关联度的相互推荐算法

4．5 本章小结

第5章 系统设计与实现

5．1 主要模块

5．2 主要技术

5．3 部分界面及介绍

5．4 本章小结

第6章 总结与展望

6．1 本文主要工作及总结

6．2 未来工作展望

参考文献

攻读硕士学位期间主要的研究成果

致谢