B公司基于协同过滤算法的零售商品推荐系统研究

摘要

电子商务企业在经过了近些年的高速发展之后，开始面临线上用户数量增速放缓、流量红利渐趋萎缩等现实问题与挑战。同时，随着我国经济的发展和居民收入水平的提高，人们越来越重视线下的购物体验，线上电子商务在满足用户体验方面的短板日益突显。因此，线上线下以及物流深度融合的新零售模式逐渐出现。B公司是一家线下主营业务为连锁便利店的新零售领域代表企业，主要向用户提供个性化的服务。因此，构建符合自身特点的零售商品推荐系统对于B公司来说具有重要的意义。
　　本文针对B公司线下便利店面积有限，销售的商品主要是能够满足附近用户即时需求的热门商品的问题，选择基于用户的协同过滤算法作为构建B公司零售商品推荐算法模型的主要算法，并从两个方面对该算法进行了改进。首先，针对协同过滤算法存在的冷启动问题，本文将用户特征因素考虑到商品推荐算法模型构建的过程中。其次，针对B公司零售商品推荐系统对推荐信息时效性要求较高的特点，将时间场景因素考虑到商品推荐算法模型构建的过程中，提高推荐结果的准确性。最后，本文在B公司零售商品推荐算法模型的基础上，完成了对B公司零售商品推荐系统的需求分析与设计实现，并对开发完成的系统进行了测试。测试结果表明，本文实现的B公司零售商品推荐系统满足相应的功能需求。
　　本文构建了满足B公司运营特点的零售商品推荐系统，该系统可以提高用户在B公司的线下便利店中购物的效率，提升用户的购物体验。同时，本文的研究也可以为其他拥有线下实体店的新零售企业在构建商品推荐系统方面提供一定的借鉴。

目录

声明

致谢

摘要

1．1．1研究背景

1．1．2研究意义

1．2国内外研究综述

1．2．1 国外研究综述

1．2．2国内研究综述

1．3研究内容与技术路线

1．3．1研究内容

1．3．2技术路线

2．1商品推荐系统

2．1．1商品推荐系统定义

2．1．2商品推荐系统分类

2．1．3商品推荐系统评价

2．2协同过滤算法

2．2．1 基于用户的协同过滤算法(UBCF)

2．2．2基于项目的协同过滤算法(IBCF)

2．2．3协同过滤算法优缺点分析

2．3系统架构及关键技术

2．3．1 SOA架构

2．3．2 Dubbo框架

2．3．3 ZooKeeper

2．4本章小结

3零售商品推荐算法模型构建

3．1 零售商品推荐系统关键问题分析

3．1．1关键问题分析

3．1．2解决思路

3．2基于用户特征的用户相似度分析

3．2．1用户特征提取

3．2．2基于用户特征的用户相似度计算

3．3基于历史评分的用户相似度分析

3．3．1 时间场景的选取和划分

3．3．2用户一商品评分矩阵的构建

3．3．3基于历史评分的用户相似度计算

3．4模型构建

3．4．1 最终用户相似度矩阵计算

3．4．2最近邻选取

3．4．3产生推荐

3．4．4算法描述

3．5模型验证

3．5．1实验数据集

3．5．2对比实验

3．6本章小结

4 B公司零售商品推荐系统需求分析与设计

4．1 B公司零售商品推荐系统需求分析

4．1．1 业务需求

4．1．2系统功能需求

4．1．3系统活动图

4．2 B公司零售商品推荐系统概要设计

4．2．1系统设计的目标和原则

4．2．2 B公司软件系统整体架构

4．2．3 B公司零售商品推荐系统详细结构

4．3 B公司零售商品推荐系统功能模块设计

4．3．1用户特征记录模块设计

4．3．2用户行为信息记录模块设计

4．3．3推荐引擎模块设计

4．3．4用户接口模块设计

4．4数据库设计

4．5 本章小结

5 B公司零售商品推荐系统的实现与测试

5．1 系统开发环境与框架配置

5．2系统各功能模块的实现

5．2．1用户特征记录模块功能实现

5．2．2用户行为信息记录模块功能实现

5．2．3推荐引擎模块功能实现

5．2．4用户接口模块功能实现

5．3 系统测试

5．3．1测试的软硬件环境

5．3．2系统功能测试

5．4本章小结

6．1 结论

6．2展望

参考文献

附录

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集