基于梯度提升回归算法的O2O推荐模型研究

摘要

随着移动智能手机的普及，移动O2O电子商务迎来了广阔的市场空间，移动端的购物消费也更加普遍，基于此O2O电子商务的迅猛发展对推荐系统提出了更高的需求。针对当前O2O场景中的推荐模型，要求更准确更及时的个性化推荐系统，以及基于移动位置迅速变化产生的推荐内容更新。
　　本文在研究O2O移动电子商务模型和阿里巴巴生活类服务商品一个月的真实交易数据的基础上，分析出用户基于自身的生活习惯会对某一类服务商品产生周期性消费;其次在热门消费场景区域会形成马太效应，移动用户的平均消费倾向会大大提高;最后每个用户在当前位置场景的消费倾向的不同，影响了用户在当前场景的商品转化率。
　　根据上述三个假设，建立用户基于位置信息特征的偏好模型，提出了一种改进的基于梯度提升回归算法的O2O电子商务推荐模型，在推荐算法中引入当前时间参数和位置参数。同时深入挖掘移动O2O电子商务中的用户行为日志，抽取能辨别用户对商品服务购买行为的多个特征，然后将这些特征融入到梯度提升回归算法中，预测用户的购物行为。
　　实验结果表明，改进的基于梯度提升回归算法的O2O电子商务推荐模型在实时性和准确性方面明显优于传统的推荐算法。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 移动推荐系统研究历史和现状

1．4 现有研究中存在的问题

1．5 研究内容与论文结构

1．5．1 主要研究内容

1．5．2 论文组织结构

2 020移动电子商务及相关推荐算法理论

2．1 020移动电子商务系统的研究

2．1．1 020移动电子商务发展概况

2．1．2 020与B2C模式的差异性

2．2 位置信息在020电子商务中的应用

2．3 个性化推荐的相关理论

2．4 常见的几种主要推荐方法

2．4．1 基于内容推荐

2．4．2 基于协同过滤推荐

2．4．3 基于关联规则推荐

2．4．4 基于知识推荐

2．4．5 基于混合推荐

2．4．6 主要推荐方法的对比

2．5 移动推荐与传统互联网推荐的异同点

2．6 常见的基于上下文感知的移动推荐方法

2．7 适用推荐预测的机器学习算法

3 梯度提升回归算法的020电子商务推荐模型

3．1 020个性化推荐模型

3．2 梯度提升回归算法(Gradient Boost Decision Trees)

3．2．1 决策树相关基础知识

3．2．2 梯度迭代(Gradient Boosting)

3．3 基于用户位置特征改进的梯度提升回归算法NewGBDT

3．3．1 移动用户基于位置与时间的偏好特征分析

3．3．2 基于位置和时间的移动推荐系统介绍

3．3．3 GBDT算法改进

4 数据预处理与特征设计

4．1 数据集说明

4．2 数据预处理

4．3 特征设计与提取

5 实验结果与分析

5．1 实验环境与平台搭建

5．2 评测方案选定

5．3 实验过程与结果分析

5．4 小结

6 总结与展望

6．1 论文的主要工作及成果

6．2 论文的不足之处及下一步研究方向

参考文献

致谢

作者简介及读研期间主要科研成果