基于协同过滤的信息商品个性化捆绑推荐研究

摘要

随着Internet的普及和电子商务的发展，网上交易这种新兴的商务活动方式被越来越多的企业和用户所接受。电子商务网站在为用户提供丰富商品的同时，用户往往会迷失在大量的商品信息之中，无法顺利地找到自己所需要的商品，从而浪费了大量的时间和精力形成所谓的信息过载问题；另一方面，企业在想方设法吸引用户光顾网站的同时又要保证网站推销商品的收益。数据挖掘中的个性化推荐技术能够为电子商务网站提供适合捆绑推荐的个性化商品，将数据挖掘技术和商品捆绑策略相结合是解决上述问题的有效途径。 本文对营销策略商品捆绑进行了分析，阐述了商品捆绑所具备的优势、影响的因素及信息商品的特性，指出信息商品由于其极低的边际成本、低交易成本和存在相对高的支付意愿，使之比传统的物理商品捆绑更具优势，分析了商品捆绑对企业和用户所具有不同的效应。 在实际的推荐系统中，在线推荐的时间复杂度是衡量推荐算法的主要指标。针对传统协同过滤算法的性能问题，本文分析了基于用户聚类的协同过滤算法的在线推荐时间复杂度，它并不像传统的协同过滤算法那样计算目标用户与基本用户之间的相似度，而是计算目标用户与基本用户聚类中心之间的相似性，能够产生更快的推荐速度。 本文还就传统个性化推荐系统只从用户角度来推荐商品问题，提出了在个性化推荐系统中融入利润因素，这样产生的推荐不仅能够满足用户的需求而且也能增加企业的收益。实验同时表明，融入利润因素的个性化推荐系统在推荐的准确度上不比传统的个性化推荐差，而且企业所获得的利润远高于传统的个性化推荐系统，本文最后还对商品捆绑个性化推荐系统的体系结构做了有益的探索。

目录

文摘

英文文摘

论文说明：图表清单

声明

致谢

第一章绪论

1.1研究背景

1.1.1商品捆绑销售

1.1.2个性化推荐

1.1.3个性化推荐技术

1.2目前研究现状

1.3课题研究的目的与意义

1.4本文主要研究内容和组织

第二章信息商品捆绑销售策略概述

2.1商品捆绑理论

2.1.1传统商品捆绑销售

2.1.2捆绑销售实施条件

2.1.3捆绑销售的影响因素

2.2信息商品特性

2.2.1信息商品的市场结构转向

2.2.2信息商品的优势

2.2.3信息商品捆绑销售版本划分策略

2.3商品捆绑销售的效应分析

2.3.1商品捆绑销售对厂商的效应

2.3.2商品捆绑销售对消费者的效应

2.4本章小结

第三章基于用户聚类的协同过滤推荐技术

3.1聚类的相关概念

3.1.1聚类分析

3.1.2聚类相似度的度量

3.2常用的聚类算法

3.2.1 k-平均算法

3.2.2 k-中心算法

3.2.3 DIANA算法

3.2.4 DBSCAN算法

3.3基于用户聚类的协同过滤算法

3.3.1相关概念

3.3.2离线用户聚类算法

3.3.3在线搜索最近邻居并产生推荐

3.3.4算法的时间复杂度分析

3.4本章小结

第四章引入商品利润因素的个性化推荐

4.1传统的推荐系统

4.2融入利润因素的商品推荐

4.2.1不同角度的商品推荐系统

4.2.2融入利润因素的商品推荐系统

4.3引入商品收益因素的推荐系统的性能分析

4.3.1捆绑商品个性化推荐系统体系结构

4.3.2数据集

4.3.3评估方法

4.3.4实验结果

4.4本章小结

第五章总结与展望

5.1论文的主要工作

5.2未来研究展望

参考文献

攻读硕士学位期间发表的论文