随着电子商务的不断发展,网购用户规模日益增长,越来越多的学者投入到对电商平台的推荐算法研究。虽然取得了一定的成果,但仍有一些遗留问题亟需解决,如数据稀疏性、冷启动、推荐精度低等。本文首先阐述了本课题的研究意义和推荐系统的国内外研究现状,并对常用的推荐算法的理论基础、算法流程进行了详细的阐述,并分析其优缺点,总结目前技术存在的缺陷,同时还阐述了推荐算法的常用评测指标。为下文中改进算法提供理论基础。针对传统协同过滤推荐算法冷启动问题,本文提出一种基于标签权值的改进推荐算法。首先建立用户-商品-标签矩阵,对标签进行量化,构建新的用户喜好模型,引入标签权重的概念,引入词频-逆文档频率（TF-IDF）算法计算不同用户的标签权重,根据标签权重建立新的相似度计算方法。对相似度计算公式里的调节因子和用户近邻集合k的不同取值进行实验分析,最终得到推荐结果最精确时的最佳取值;并且将本文提出的算法与其他算法实验对比,根据实验结果得出本章提出的算法能得到更好的近邻集合,从而使得推荐结果更准确,并一定程度上缓解了冷启动问题。针对用户评分矩阵中的矩阵分解算法进行研究,本文提出一种基于社交好友关系的奇异值分解模型。将Funk-SVD（Singular Value Decomposition）算法与用户的社交信息相结合,引入好友的喜好信息结合用户自身的喜好信息优化Funk-SVD模型,用随机梯度下降法分解矩阵,最后进行仿真实验。实验结果表明,本文提出的一种社交好友关系的奇异值分解模型一方面能够在一定程度上改善数据稀疏性问题,同时相比传统的SVD算法推荐的精度有所提高。最后,本文融合提出的两种推荐算法构建了一个电商平台的个性化推荐系统。根据系统的功能需求进行了主要功能模块的详细设计,随后采用模块化设计方法,分别介绍了推荐系统各个功能模块的详细功能和实现。该推荐系统证明了本文提出两种推荐算法的实用性。
基本信息
| 题目 | 基于电商平台的用户推荐算法研究 |
| 文献类型 | 硕士论文 |
| 作者 | 卞岚 |
| 作者单位 | 南京邮电大学 |
| 导师 | 孙知信 |
| 文献来源 | 南京邮电大学 |
| 发表年份 | 2020 |
| 学科分类 | 信息科技,经济与管理科学 |
| 专业分类 | 计算机软件及计算机应用,计算机软件及计算机应用,贸易经济 |
| 分类号 | F713.36;TP391.3 |
| 关键词 | 推荐算法,标签,矩阵分解,算法,相似度计算 |
| 总页数： | 71 |
| 文件大小： | 2057K |
论文目录
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 本文的组织结构 |
| 第二章 相关技术研究 |
| 2.1 推荐系统研究 |
| 2.1.1 基于内容的推荐方法 |
| 2.1.2 基于用户的协同过滤推荐方法 |
| 2.1.3 基于物品的协同过滤推荐方法 |
| 2.1.4 组合推荐 |
| 2.2 国内外研究现状 |
| 2.3 推荐算法的评测指标 |
| 2.4 分析和总结 |
| 第三章 一种基于LW-UB-CF的推荐算法 |
| 3.1 传统的商品标签算法 |
| 3.2 基于TF-IDF标签推荐算法 |
| 3.3 融合标签权重的改进推荐算法 |
| 3.3.1 用户-商品-标签模型 |
| 3.3.2 标签相似度模型 |
| 3.3.3 标签相似度计算方法 |
| 3.3.4 算法描述 |
| 3.4 仿真实验 |
| 3.4.1 实验环境与评价标准 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 一种基于SAL-SVD的推荐算法 |
| 4.1 传统的SVD分解算法 |
| 4.2 Funk-SVD与 SVD++算法 |
| 4.2.1 Funk-SVD算法 |
| 4.2.2 SVD++算法 |
| 4.3 基于SAL-SVD的推荐算法 |
| 4.3.1 算法原理 |
| 4.3.2 算法描述 |
| 4.4 仿真实验 |
| 4.4.1 环境参数 |
| 4.4.2 实验分析 |
| 4.5 本章小结 |
| 第五章 基于电商平台的个性化推荐系统 |
| 5.1 系统的环境配置 |
| 5.1.1 Spark框架 |
| 5.1.2 系统环境部署 |
| 5.2 电商平台推荐系统架构 |
| 5.3 系统功能模块设计与实现 |
| 5.3.1 数据采集模块 |
| 5.3.2 数据处理模块 |
| 5.3.3 产品推荐模块 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
参考文献
| [1] 基于协同过滤的商品个性化推荐算法应用研究[J]. 河北软件职业技术学院学报 2020(04) |
| [2] 基于时间上下文的个性化电影推荐算法研究[J]. 河北软件职业技术学院学报 2020(04) |
| [3] 基于物品综合流行性的实时推荐算法（英文）[J]. 机床与液压 2020(24) |
| [4] 基于多属性评分隐表征学习的群组推荐算法[J]. 数据分析与知识发现 2020(12) |
| [5] 基于自注意力机制与知识图谱的序列推荐算法[J]. 传感器与微系统 2021(02) |
| [6] 基于融合偏好的新闻推荐算法研究[J]. 辽宁科技大学学报 2020(06) |
| [7] 个性化推荐算法综述[J]. 智能计算机与应用 2020(08) |
| [8] 基于评分可信度的大数据线性回归推荐算法[J]. 计算机应用研究 2021(02) |
| [9] 基于数据挖掘的高校图书馆在线推荐算法研究[J]. 信息与电脑(理论版) 2020(23) |
| [10] 基于多上下文信息的协同过滤推荐算法[J]. 计算机科学 2021(03) |
| [11] 基于在线评论的混合推荐算法[J]. 系统工程 2019(06) |
| [12] 基于校企合作的情景感知推荐算法研究[J]. 海峡科技与产业 2019(06) |
| [13] 融合时序的决策树推荐算法研究[J]. 现代计算机 2019(34) |
| [14] 算法实践中的多义与转义：以新闻推荐算法为例[J]. 新闻大学 2019(12) |
| [15] 教程推荐算法研究[J]. 信息与电脑(理论版) 2019(24) |
| [16] 基于社交网络学习推荐算法的应用研究[J]. 信息系统工程 2019(12) |
| [17] 垂直学习社区基于学习兴趣与风格的社会化推荐算法[J]. 小型微型计算机系统 2020(01) |
| [18] 融合层次聚类和粒子群优化的鲁棒推荐算法[J]. 小型微型计算机系统 2020(01) |
| [19] 智能推荐算法安全风险研究[J]. 广东通信技术 2019(07) |
| [20] 基于门控循环单元与主动学习的协同过滤推荐算法[J]. 山东大学学报(工学版) 2020(01) |
| [21] 电影智能推荐算法的潜在文化影响[J]. 电影艺术 2020(01) |
| [22] 基于聚类和用户偏好的协同过滤推荐算法[J]. 计算机工程与应用 2020(03) |
| [23] 基于会话的推荐算法研究综述[J]. 现代计算机 2019(36) |
| [24] 基于兴趣点的多维度推荐算法研究[J]. 电脑知识与技术 2020(04) |
| [25] 一种基于层次分析的多维属性混合推荐算法[J]. 渤海大学学报(自然科学版) 2019(04) |
| [26] 一种时间加权的网络结构推荐算法[J]. 哈尔滨理工大学学报 2019(06) |
| [27] 基于协同过滤的改进课程推荐算法[J]. 科技传播 2020(05) |
| [28] 一种融合知识图谱与长短期偏好的下一项推荐算法[J]. 小型微型计算机系统 2020(04) |
| [29] 个性化推荐算法中“信息茧房”与用户权利的思考[J]. 新闻研究导刊 2020(05) |
| [30] 基于用户聚类的图书协同推荐算法研究[J]. 科技资讯 2020(09) |
相似文献
| [1]基于近似矩阵分解的推荐算法研究[D]. 杨自兴.东北大学2013 |
| [2]基于托攻击检测和矩阵分解模型的可信推荐算法研究[D]. 刘凯.燕山大学2016 |
| [3]融合信任关系的矩阵分解推荐算法研究[D]. 李松.西安电子科技大学2015 |
| [4]基于概率矩阵分解的多指标推荐算法研究[D]. 庞俊涛.西南科技大学2016 |
| [5]基于概率矩阵分解的协同推荐算法研究[D]. 窦丽莎.燕山大学2015 |
| [6]基于云计算的上下文感知推荐算法研究[D]. 王振军.贵州大学2017 |
| [7]基于概率矩阵分解的社会化推荐算法研究[D]. 翟海涛.中国科学技术大学2016 |
| [8]基于托攻击检测与贝叶斯概率矩阵分解的鲁棒推荐算法[D]. 董从娇.燕山大学2015 |
| [9]推荐算法研究与应用[D]. 朱韬.北京邮电大学2016 |
| [10]基于时序模型的社会化推荐算法研究[D]. 牛冰慧.重庆大学2017 |
