基于SVD++模型的推荐算法及应用研究——以武汉易酒批电子商务有限公司为例

摘要

中国互联网协会发布的一份报告称，到2017年底，网民人数达到了7.72亿，中国人平均每周上网时间为27小时。而随着国人上网时间的增多，网络信息数据的增长也已经呈指数氏暴涨，信息过载问题已经越来越严重。因此，对于互联网公司来说，如何挖掘客户需求，在企业众多商品中选择客户需要的商品进行个性化推荐，就显得尤为重要，企业进行推荐系统的研究，也具有重要的现实意义和商业价值。　　本文以实习所在的公司为实证研究对象，围绕如何初步建立适合公司现阶段的推荐系统、提高推荐系统的准确度等问题展开研究。采用了两组数据，一组为实验数据，是网络上公开的Movieslens数据集，有真实的评分数据；一组为应用研究数据，来自一家典型的B2B平台公司，以2018年1月1日到2018年10月10日期间，公司数据库中的浏览、收藏、加车和购买四个行为数据作为研究的原始数据，通过数据组合、数据压缩等方式对数据进行处理，构成伪评分数据，作为本论文最终的样本数据。先后介绍了基于内容的推荐算法、基于用户和基于物品的协同过滤算法、基于矩阵分解的隐语义模型和SVD模型以及SVD++模型五种推荐算法的模型，并用两组数据分别验证了五种模型的预测准确度。　　本文相关结论有：（1）对于实验数据，通过对比五种算法预测的准确度得到SVD++模型的推荐效果最好，User-CF 算法的推荐效果最差：User-CF 算法和 Item-CF 算法的均方根误差分别为0.9310和0.8998，绝对平均误差分别为0.7346和0.7101；隐语义模型的均方根误差为 0.8927，绝对平均误差为 0.7058；SVD 模型的均方根误差为 0.8882，绝对平均误差为0.6959；SVD++模型的均方根误差降低到了 0.8711，平均误差降低到了0.6802。（2）SVD++模型中，最近邻居数k、正则化参数（惩罚项系数）λ以及学习效率γ这三个参数对模型预测的准确度有一定的影响，确定三个参数为学习效率γ=0.04，正则化参数（惩罚项系数）λ=0.05，最近邻居数k=20。（3）对于应用研究数据，通过对比五种算法预测的准确度得到SVD++模型的推荐效果最好，隐语义模型的推荐效果最差：User-CF 算法和 Item-CF 算法的均方根误差分别为1.1008和1.3916，绝对平均误差分别为1.1474和1.1444；隐语义模型的均方根误差为2.0014，绝对平均误差为1.2461；SVD模型的均方根误差为 1.3549，绝对平均误差为1.0466；SVD++模型的均方根误差降低到了1.3457，平均误差降低到了1.0439。（4）通过比较个体用户的推荐结果及评价指标，得出对个体用户而言，用户历史行为与精确率成正比，与召回率成反比的结论。

目录

声明

引论

一、研究背景及意义

二、国内外研究现状

（一）推荐系统整体的研究现状

（二）电商平台的研究现状

（三）文献述评

三、研究内容及方法

（一）研究内容

（二）研究方法

四、可能的创新点

第一章 推荐算法的相关理论与技术

第一节 推荐算法相关知识

一、推荐算法的形式化描述

二、常用的相似度度量方法

三、常用的测评方法和指标

第二节 经典的推荐算法

一、基于内容的推荐算法

二、协同过滤算法

三、基于矩阵分解的推荐算法

第二章 SVD++模型的构建与实验

第一节 SVD++模型的构建

一、矩阵分解模型中隐反馈信息的作用

二、SVD++模型的构建

第二节 基于Movieslens数据集的实验与分析

一、Movieslens实验数据集

二、实验测评指标MAE和RMSE

三、基于Movieslens数据集的实验结果与分析

第三章 基于SVD++推荐算法的应用研究

第一节 酒批数据的选取与处理

一、数据的选取

二、数据的处理

第二节 研究前准备

一、研究数据的选取与划分

二、实验测评指标

三、模型参数选择

第三节 推荐算法性能对比

一、实验设计

二、性能对比

三、建模过程及结果展示

结论与展望

一、结论

二、展望

参考文献

致谢