發(fā)布時(shí)間：2020-09-05 12:13

　　 隨著信息技術(shù)的高速發(fā)展和移動(dòng)終端設(shè)備的廣泛應(yīng)用,互聯(lián)網(wǎng)全面進(jìn)入Web2.0時(shí)代,電子商務(wù)隨之迅速發(fā)展成為人們?nèi)粘Ｉ�活中必不可少的商品交易方�?人類社會(huì)急速進(jìn)入信息爆炸時(shí)代,由此產(chǎn)生了信息過(guò)載問(wèn)題。一方面,用戶無(wú)法從海量的信息中找到符合自己需要的信息;另一方面,信息提供者也無(wú)法針對(duì)用戶的個(gè)性化特點(diǎn)向用戶提供有效的信息。面對(duì)信息過(guò)載的困境,推薦系統(tǒng)成為解決此問(wèn)題的有效手段。伴隨著用戶對(duì)個(gè)性化信息準(zhǔn)確性的要求越發(fā)嚴(yán)格,傳統(tǒng)的推薦模型已經(jīng)不能滿足用戶的需求,推薦系統(tǒng)的發(fā)展需要不斷進(jìn)步。尤其在電子商務(wù)方面,提高商品推薦的準(zhǔn)確性顯得尤為重要。目前推薦系統(tǒng)研究的主要問(wèn)題:一是冷啟動(dòng)問(wèn)題,包括用戶冷啟動(dòng),即新用戶剛進(jìn)入系統(tǒng),沒(méi)有與其相關(guān)的歷史交易記錄,系統(tǒng)無(wú)法為用戶提供準(zhǔn)確的推薦。物品冷啟動(dòng),即新商品剛進(jìn)入市場(chǎng)沒(méi)有與其相關(guān)的評(píng)價(jià)和購(gòu)買信息,無(wú)法將其推薦給相關(guān)用戶;二是數(shù)據(jù)稀疏問(wèn)題,與網(wǎng)站銷售的龐大數(shù)量商品相比,用戶做過(guò)評(píng)分的商品只占其冰山一角,這就導(dǎo)致了用戶項(xiàng)目評(píng)分矩陣的數(shù)據(jù)極端稀疏,在計(jì)算用戶或項(xiàng)目的最近鄰時(shí)準(zhǔn)確率就會(huì)比較低,從而使得推薦系統(tǒng)的服務(wù)質(zhì)量急劇下降。針對(duì)上述問(wèn)題,本文提出基于品牌社群劃分的個(gè)性化商品推薦方法,第一,通過(guò)品牌認(rèn)可度和用戶信任度劃分用戶社群;第二,在劃分的用戶群組中利用耦合卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)分預(yù)測(cè),將高評(píng)分商品推薦給用戶,以此來(lái)提高商品推薦的效果。本文主要針對(duì)物品冷啟動(dòng)和數(shù)據(jù)稀疏問(wèn)題兩方面進(jìn)行改進(jìn),該方法首先進(jìn)行用戶品牌社群劃分,對(duì)通過(guò)分析用戶購(gòu)買記錄和評(píng)價(jià)記錄得到的用戶品牌認(rèn)可度和用戶活躍度利用DBSCAN算法進(jìn)行聚類,初步形成群組。與此同時(shí)將通過(guò)用戶交流信息,計(jì)算得到的用戶信任度與初步群組進(jìn)行矩陣融合,形成最終品牌社群;然后在用戶群組內(nèi)進(jìn)行商品評(píng)分預(yù)測(cè),選取高評(píng)分商品推薦給用戶。評(píng)分預(yù)測(cè)模型由兩個(gè)耦合并行的神經(jīng)網(wǎng)絡(luò)構(gòu)成,一個(gè)用戶網(wǎng)絡(luò)和一個(gè)項(xiàng)目網(wǎng)絡(luò),分四層結(jié)構(gòu)(輸入層、隱含層、輸出層、共享層);用戶評(píng)論數(shù)據(jù)和商品評(píng)論數(shù)據(jù)將分別從用戶網(wǎng)絡(luò)和商品網(wǎng)絡(luò)輸入,在評(píng)論語(yǔ)義分析方面,將分別從字向量角度進(jìn)行實(shí)驗(yàn),并且改變傳統(tǒng)的使用單一大小的卷積核處理句子的模式,使用多個(gè)并行的卷積層,利用多個(gè)大小不同的卷積核對(duì)句子進(jìn)行特征提取;接著兩個(gè)網(wǎng)絡(luò)的輸出將共同匯聚于共享層,在共享層使用機(jī)器學(xué)習(xí)FM算法進(jìn)行評(píng)分預(yù)測(cè);最后將群組中的高評(píng)分商品推薦給用戶,提高商品推薦的準(zhǔn)確率。本文通過(guò)與包括經(jīng)典協(xié)同過(guò)濾算法在內(nèi)的主流推薦方法進(jìn)行對(duì)比實(shí)驗(yàn),從準(zhǔn)確率、召回率和F1值三方面來(lái)進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明,本文提出的基于品牌社群劃分的個(gè)性化商品推薦方法擁有更好的推薦效果。
【學(xué)位單位】：遼寧大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F274;TP391.3
【部分圖文】：

第 1 章 緒論究背景及意義多媒體技術(shù)的急速發(fā)展與智能移動(dòng)終端的廣泛應(yīng)用，互聯(lián)網(wǎng)Web2.0 時(shí)代急速增加，根據(jù) IDC 報(bào)告顯示，進(jìn)入 2020 年后全超過(guò) 40ZB，人類將會(huì)被數(shù)據(jù)包圍，為人類社會(huì)也將正式進(jìn)入代。根據(jù) 2017 年互聯(lián)網(wǎng)趨勢(shì)報(bào)告[1]內(nèi)容顯示，截至 2017 年全超過(guò) 34 億，同比增長(zhǎng) 10%，且數(shù)量還在持續(xù)增加，滲透率方達(dá)到 46%。我國(guó)已經(jīng)成為全球最大的互聯(lián)網(wǎng)市場(chǎng)，網(wǎng)民數(shù)量全國(guó)有一半的人都已成為互聯(lián)網(wǎng)用戶，我國(guó)的互聯(lián)網(wǎng)發(fā)展進(jìn)此同時(shí)，電子商務(wù)伴隨著互聯(lián)網(wǎng)的發(fā)展也進(jìn)入了“黃金時(shí)期和數(shù)量的大量增加，促使網(wǎng)上購(gòu)物成為消費(fèi)者日常購(gòu)物的首商務(wù)研究中心發(fā)布的 2017 年（上）中國(guó)電子商務(wù)市場(chǎng)數(shù)據(jù)監(jiān)月至六月的國(guó)內(nèi)電子商務(wù)交易總額超過(guò) 13 萬(wàn)億元，相比去年點(diǎn)，圖 1-1 所示為 2012-2017 年（上）中國(guó)電子商務(wù)市場(chǎng)交易

第 3 章 基于品牌認(rèn)可度的社群劃分活躍度利用 DBSCAN 算法進(jìn)行聚類，初步形成群組，與此同時(shí)將通過(guò)用戶交息，計(jì)算得到的用戶信任度與初步群組進(jìn)行矩陣融合，形成最終品牌社群1 方法框架及描述為解決物品冷啟動(dòng)問(wèn)題，本文結(jié)合用戶品牌認(rèn)可度、用戶活躍度和用戶信任提出的用戶社群劃分方法的框架圖如圖 3-1 所示。

圖 3-2 用戶信息交流示意圖間的信息交流是雙向且不對(duì)稱的，所以在計(jì)算，同時(shí)還要體現(xiàn)信任的不對(duì)稱性。以圖 3-2 中于其他節(jié)點(diǎn)的信任度時(shí)，要以 D 為中心向外擴(kuò)H→I）。擴(kuò)散范圍依據(jù)六度分離理論確定，對(duì)鍵中間聯(lián)系人而造成的超出六度分離理論的用點(diǎn)參與計(jì)算[47]，根據(jù)六度分割理論 D 點(diǎn)擴(kuò)散如

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭曉波;趙書良;牛東攀;王長(zhǎng)賓;逄煥利;;一種解決稀疏數(shù)據(jù)和冷啟動(dòng)問(wèn)題的組合推薦方法[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2015年10期

2 孟祥武;劉樹(shù)棟;張玉潔;胡勛;;社會(huì)化推薦系統(tǒng)研究[J];軟件學(xué)報(bào);2015年06期

3 于洪;李俊華;;一種解決新項(xiàng)目冷啟動(dòng)問(wèn)題的推薦算法[J];軟件學(xué)報(bào);2015年06期

4 韓冬煦;常寶寶;;中文分詞模型的領(lǐng)域適應(yīng)性方法[J];計(jì)算機(jī)學(xué)報(bào);2015年02期

5 袁漢寧;周彤;韓言妮;陳媛媛;;基于MI聚類的協(xié)同推薦算法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2015年02期

6 胡勛;孟祥武;張玉潔;史艷翠;;一種融合項(xiàng)目特征和移動(dòng)用戶信任關(guān)系的推薦算法[J];軟件學(xué)報(bào);2014年08期

7 馬華;王清;韓忠東;張西學(xué);郝剛;;決策樹(shù)分類算法在個(gè)性化圖書推薦中的應(yīng)用[J];軟件;2012年08期

8 喬秀全;楊春;李曉峰;陳俊亮;;社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法[J];計(jì)算機(jī)學(xué)報(bào);2011年12期

9 徐風(fēng)苓;孟祥武;王立才;;基于移動(dòng)用戶上下文相似度的協(xié)同過(guò)濾推薦算法[J];電子與信息學(xué)報(bào);2011年11期

10 蔡岳;袁津生;;基于改進(jìn)DBSCAN算法的文本聚類[J];計(jì)算機(jī)工程;2011年12期

相關(guān)碩士學(xué)位論文 前2條

1 袁金鳳;基于信任擴(kuò)散機(jī)制的推薦系統(tǒng)研究[D];西南大學(xué);2014年

2 佘宏俊;基于符號(hào)網(wǎng)絡(luò)的社群分析方法研究[D];華中科技大學(xué);2011年

本文編號(hào)：2813007