电子商务推荐系统研究——新用户和用户兴趣变化问题研究

摘要

为解决由Internet的普及和迅速发展所带来的信息超载问题，电子商务推荐系统应运而生。它与用户进行交互，对用户的兴趣爱好进行预测，从而推荐用户所感兴趣的产品，以保证用户对企业的满意度和忠诚度。 现存的推荐系统在取得了一定成功的同时也显示出相当多的弱点，如个性化程度低，推荐效率低等。针对上述问题，本文首先对电子商务推荐系统的基本概念和算法，尤其是协同过滤算法进行了介绍及比较分析。然后分别针对目前推荐系统中研究较少的新用户问题和用户兴趣随时间而变化的问题进行了算法研究。分别提出了基于模糊聚类的推荐算法和基于客户行为序列的推荐算法。 基于模糊聚类的推荐算法利用模糊聚类计算目标用户对产品的评分，利用产品相似性对相似产品进行过滤，从而选择合适的产品进行推荐。 基于客户行为序列的推荐算法将客户历史记录时间进行分段，并在各时间段对用户进行聚类，从而挖掘出客户行为序列规则。将目标客户的行为序列与行为序列关联规则进行对比，并根据规则进行推荐。 最后，通过仿真实验对两个算法分别进行了比较研究，证明了两个算法的推荐性能。

目录

文摘

英文文摘

中国科学技术大学学位论文相关声明

第1章绪论

1.1研究背景与意义

1.2论文的研究对象和所做工作

1.3论文结构安排

1.4小结

第2章电子商务推荐系统及相关技术

2.1电子商务推荐系统的分类

2.2电子商务推荐系统的研究内容

2.3电子商务推荐系统的框架结构

2.4电子商务推荐系统中采用的相关技术

2.4.1信息检索与信息过滤技术

2.4.2数据仓库

2.4.3数据挖掘

2.5小结

第3章电子商务个性化推荐技术及推荐策略

3.1电子商务个性化推荐技术概述

3.2基于内容的推荐算法

3.3协同过滤算法

3.3.1协同过滤算法概述

3.3.2协同过滤算法中数据的收集

3.3.3基于内存的推荐算法

3.3.4基于模型的推荐算法

3.3电子商务个性化推荐技术的研究方向

3.3.1冷开始(Cold Start)问题

3.3.2奇异发现(Serendipity)问题

3.3.3稀疏性(Sparsity)问题

3.3.4扩展性(Scalability)问题

3.3.5适应性问题

3.3.6精确性(Accuracy)问题

3.3.7可解释性问题

3.3.8健壮性问题

3.4电子商务推荐策略

3.5小结

第4章推荐系统中的新用户问题

4.1推荐系统中的冷开始问题

4.2推荐系统中的新用户问题介绍

4.3基于模糊聚类的推荐算法

4.3.1模糊聚类

4.3.2计算评分

4.3.3计算产品相似性

4.3.4 Top-N产品推荐

4.4小结

第5章推荐系统中的用户兴趣变化问题

5.1用户兴趣变化问题的背景介绍

5.2基于客户行为序列的推荐算法

5.2.1数据预处理

5.2.2规则挖掘

5.2.3产品推荐

5.2.4反馈

5.3小结

第6章实验设计及结果分析

6.1实验数据

6.2推荐结果评价

6.3基于模糊聚类的推荐算法

6.3.1实验过程

6.3.2实验结果与分析

6.4基于客户行为序列的推荐算法

6.4.1实验过程

6.4.2实验结果与分析

6.5小结

第7章结束语

7.1本文工作

7.2后续工作

参考文献

附录

致谢

攻读硕士学位期间发表的学术论文