基于商品基因和GA的智能商品推荐系统研究

摘要

近年来，随着电子商务的迅速发展，产生了商品信息过载问题，使得一方面用户的使用成本大大增加，另一方面商家开展针对性营销的困难加大。智能商品导购系统通过与用户的交互，分析其行为，预测其偏好并向其推荐他们真正感兴趣的商品，它类似于采购助手的功能来帮助用户过滤信息，选购满足其真正需求的商品。智能商品导购系统能大大提升用户购物体验，提供个性化的服务，帮助企业在激烈的电子商务竞争环境下，促进产品的销售，提高用户的忠诚度。 目前多数B2C电子商务系统存在着商品推荐策略单一、推荐结果精度低，推荐缺乏个性化的问题。本文通过对非线性网络用户行为进行研究，利用一种改进的非线性回归分析方法对用户兴趣进行建模，提出利用AJAX技术完成对用户兴趣数据源的搜集，取代以往对web日志处理的繁杂过程，并着重分析了关联规则和协同过滤两种主要的推荐算法各自的原理、适用范围及优缺点等。在此基础上，引入商品基因的概念，通过将商品特征基因数据库、用户购买历史记录、用户在线浏览内容及邻近用户行为结合起来，提出一种基于商品基因和遗传算法的个性化推荐算法。该算法可以弥补现行推荐算法推荐精度不高、推荐效率低、新上市或购买率较低的商品不能及时推荐给客户的不足，同时利用遗传算法对顾客兴趣度偏好候选集进行学习，得到最佳邻居用户模式，使得推荐商品的覆盖率得到一定的提升。最后，利用J2EE框架搭建了一个开放式推荐系统原型。

目录

文摘

英文文摘

声明

1 绪论

1.1 课题来源

1.2 研究背景与意义

1.3 研究现状

1.3.1 数据挖掘与商务智能

1.3.2 电子商务与智能推荐系统

1.3.3 国内外推荐系统应用现状

1.4 论文的研究对象和所做的工作

1.5 论文的结构安排

2 电子商务智能推荐系统及其相关技术

2.1 电子商务智能推荐系统概述

2.1.1 电子商务推荐系统的含义

2.1.2 推荐问题的形式化描述

2.1.3 电子商务推荐系统的分类

2.1.4 推荐系统的数据类型

2.2 相关技术

2.2.1 信息检索和信息过滤

2.2.2 web数据挖掘

2.2.3 动态模糊逻辑与模糊推理

3 用户兴趣发现模式

3.1 网站用户行为分析

3.2 用户行为兴趣信息获取

3.2.1 用户兴趣数据源

3.2.2 数据采集与预处理

3.2.3 AJAX异步获取用户行为信息

3.3 一种改进的行为兴趣度计算

3.3.1 多元线性回归方法

3.3.2 非线性回归分析方法

3.3.3 一种改进的行为兴趣度计算

4 一种基于商品基因和GA的推荐算法

4.1 目前常用的推荐策略

4.2 关联规则推荐算法

4.2.1 Apriori算法

4.2.2 FP—Growth算法

4.3 协同过滤推荐算法

4.3.1 User—based Collaborative Filtering

4.3.2 Item—based Collaborative Filtering

4.4 基于商品基因和GA的推荐算法

4.4.1 遗传算法(Genetic A1 gorithm，GA)

4.4.2 基于商品基因和GA的推荐系统框架

4.4.3 算法模型与试验研究

5 ICRS系统原型的设计

5.1 系统需求分析

5.2 系统原型设计

5.2.1 ICRS推荐系统主要流程框架

5.2.2 推荐机制

5.3 系统结构

5.3.1 系统开发环境

5.3.2 STRUTS框架下的MVC模式

5.3.3 系统原型

6 结论和展望

6.1 结论

6.2 展望

参考文献

致谢

作者简介及读研期间主要科研成果