基于数据注册中心的用户行为商品推荐系统研究
这是一篇关于DRC,线下行为数据,标签模型,混合推荐算法的论文, 主要内容为近年来线上购买商品的用户日益增加,同时推动着各大电子商务平台的发展,一个优秀的电商平台需要对用户的潜在需求进行深入挖掘,向用户推荐其感兴趣的商品。推荐系统需要通过庞大的数据量进行分析才能实现向用户推荐产品,但是如何管理数据和提高数据利用率是各电商平台面临的难题,一直没有合适的体系结构对这些海量数据进行管理并提供服务。就这些问题,本文基于面向数据的体系结构(DOA,Data-Oriented Architecture)中的数据注册中心(DRC,Data Register Center),利用数据天生注册、统一化管理的特点,设计和实现了一种基于DRC的结合聚类算法和标签模型的商品推荐系统。主要研究内容:(1)研究商品数据与用户信息注册规范。利用DRC数据天生注册的原理,结合商品和用户的特性,研究和设计商品注册规范、用户数据注册规范以及用户线上线下行为数据注册规范。(2)研究混合聚类算法。针对K-Means聚类算法的不足进行改进和优化,研究基于K-Means结合Canopy和ABC人工蜂群算法的改进聚类算法(Improved Canopy and ABC colony clustering algorithm based on K-Means,简称“CAK均值算法”),通过实验验证CAK均值算法对数据聚类的效果。(3)研究用户-标签-商品模型。研究用户与商品的关系设计标签模型,通过实验验证标签模型的命中率。(4)设计用户行为商品推荐系统。研究、设计和实现商品的推荐系统,并通过实验验证商品推荐系统和DRC在数据管理方面的有效性。取得的研究成果和创新点:(1)提出了一种结合DRC和CAK均值算法的融合用户线下线上行为特征的混合推荐算法。通过DRC对商品数据和用户行为数据进行注册,结合K-Means混合Canopy算法和改进的ABC人工蜂群算法形成CAK均值算法,将用户每日线下行为数据进行聚类,以聚类结果分析用户的活动特征,了解用户的行为习惯,再通过用户-标签-商品模型分析用户线上行为数据,利用用户线上操作历史预测用户的偏好商品,结合两种用户行为分析生成混合推荐算法,实现用户商品推荐。(2)提出了一种用户和商品数据的注册规范以及基于DRC的用户商品推荐方法。设计数据库表字段规范,生成元数据表与真实数据表,按照规范注册入库。利用DRC实现数据输入输出、管理用户和商品数据,提供商品推荐的数据服务。
基于数据注册中心的用户行为商品推荐系统研究
这是一篇关于DRC,线下行为数据,标签模型,混合推荐算法的论文, 主要内容为近年来线上购买商品的用户日益增加,同时推动着各大电子商务平台的发展,一个优秀的电商平台需要对用户的潜在需求进行深入挖掘,向用户推荐其感兴趣的商品。推荐系统需要通过庞大的数据量进行分析才能实现向用户推荐产品,但是如何管理数据和提高数据利用率是各电商平台面临的难题,一直没有合适的体系结构对这些海量数据进行管理并提供服务。就这些问题,本文基于面向数据的体系结构(DOA,Data-Oriented Architecture)中的数据注册中心(DRC,Data Register Center),利用数据天生注册、统一化管理的特点,设计和实现了一种基于DRC的结合聚类算法和标签模型的商品推荐系统。主要研究内容:(1)研究商品数据与用户信息注册规范。利用DRC数据天生注册的原理,结合商品和用户的特性,研究和设计商品注册规范、用户数据注册规范以及用户线上线下行为数据注册规范。(2)研究混合聚类算法。针对K-Means聚类算法的不足进行改进和优化,研究基于K-Means结合Canopy和ABC人工蜂群算法的改进聚类算法(Improved Canopy and ABC colony clustering algorithm based on K-Means,简称“CAK均值算法”),通过实验验证CAK均值算法对数据聚类的效果。(3)研究用户-标签-商品模型。研究用户与商品的关系设计标签模型,通过实验验证标签模型的命中率。(4)设计用户行为商品推荐系统。研究、设计和实现商品的推荐系统,并通过实验验证商品推荐系统和DRC在数据管理方面的有效性。取得的研究成果和创新点:(1)提出了一种结合DRC和CAK均值算法的融合用户线下线上行为特征的混合推荐算法。通过DRC对商品数据和用户行为数据进行注册,结合K-Means混合Canopy算法和改进的ABC人工蜂群算法形成CAK均值算法,将用户每日线下行为数据进行聚类,以聚类结果分析用户的活动特征,了解用户的行为习惯,再通过用户-标签-商品模型分析用户线上行为数据,利用用户线上操作历史预测用户的偏好商品,结合两种用户行为分析生成混合推荐算法,实现用户商品推荐。(2)提出了一种用户和商品数据的注册规范以及基于DRC的用户商品推荐方法。设计数据库表字段规范,生成元数据表与真实数据表,按照规范注册入库。利用DRC实现数据输入输出、管理用户和商品数据,提供商品推荐的数据服务。
基于数据注册中心的电影信息混合推荐算法研究
这是一篇关于DRC,元数据注册规范,混合推荐,推荐准确率,兴趣漂移的论文, 主要内容为网上看电影已经成为当今主流娱乐方式之一,但是纷繁多样的电影使人眼花缭乱,消费者如何在海量的电影中挑选自己感兴趣的电影。目前的解决方式主要有两种:一种主动方式,即用户自己检索想看的电影,这种方式的结果质量好坏在于用户提供的描述信息的准确性。另一种被动方式,用户不用提供准确的需求,而是由系统根据用户的历史行为和兴趣偏好等数据,通过相应的算法建立用户的兴趣画像,据此为用户推荐感兴趣的电影,此过程便是个性推荐(Personalized Recommendation)。推荐算法不仅能为用户解决选择上的困难,而且也能为系统扩大收益,提升用户粘度。但是传统的推荐算法存在各种问题,如冷启动,用户兴趣漂移、多样性不足、推荐准确率低、数据稀疏、不能很好的挖掘用户的潜在兴趣等。对于推荐算法中存在的问题,本文考虑从DOA(Data-Oriented Architecture,面向数据的架构)出发,研究混合推荐算法来解决其中部分问题。DOA采用“面向数据和以数据为核心”的思想,通过DRC(Data Register Center,数据注册中心)管理真实数据并对外提供服务,所有信息在进入系统前需要注册元数据信息,大量的元数据信息对于系统做推荐具有极大的帮助,而数据的多样性还能协助系统挖掘用户的潜在兴趣。针对电影推荐以及推荐算法存在的问题,本文主要做了以下工作:(1)从DOA面向数据的体系结构出发,结合本论文的研究内容,研究DRC数据注册中心的元数据信息注册规范。(2)在元数据注册规范的基础上研究推荐算法,分析对比推荐算法,提出新的电影混合推荐算法,并探讨用户兴趣漂移时系统的应对策略。(3)对电影推荐系统做需求分析,系统的整体架构设计和各个功能模块的设计与实现,将提出的新的混合推荐算法运用到系统中。(4)对电影推荐系统进行测试,基本功能测试,线上推荐的生成,仿真实验,验证推荐效果。本文的研究成果和创新点如下:(1)提出了一种针对电影信息的数据注册规范,研究DRC数据注册中心并分析电影推荐系统的需求和特征,设计了基于电影信息的数据注册规范。(2)设计了一种基于热度、标签的电影信息混合推荐算法,该混合推荐算法在传统推荐算法中加入电影热度与标签元素,经过仿真实验对比,此混合推荐算法相较于传统推荐算法具有更高的推荐准确率,并且基于热度的推荐使得推荐结果具备多样性,能够更好的挖掘用户的潜在兴趣。同时改进相似度计算法则,提出一种加权相似度计算法则,使用户兴趣漂移后依然能获得较高质量的电影推荐。
基于数据注册中心的用户行为商品推荐系统研究
这是一篇关于DRC,线下行为数据,标签模型,混合推荐算法的论文, 主要内容为近年来线上购买商品的用户日益增加,同时推动着各大电子商务平台的发展,一个优秀的电商平台需要对用户的潜在需求进行深入挖掘,向用户推荐其感兴趣的商品。推荐系统需要通过庞大的数据量进行分析才能实现向用户推荐产品,但是如何管理数据和提高数据利用率是各电商平台面临的难题,一直没有合适的体系结构对这些海量数据进行管理并提供服务。就这些问题,本文基于面向数据的体系结构(DOA,Data-Oriented Architecture)中的数据注册中心(DRC,Data Register Center),利用数据天生注册、统一化管理的特点,设计和实现了一种基于DRC的结合聚类算法和标签模型的商品推荐系统。主要研究内容:(1)研究商品数据与用户信息注册规范。利用DRC数据天生注册的原理,结合商品和用户的特性,研究和设计商品注册规范、用户数据注册规范以及用户线上线下行为数据注册规范。(2)研究混合聚类算法。针对K-Means聚类算法的不足进行改进和优化,研究基于K-Means结合Canopy和ABC人工蜂群算法的改进聚类算法(Improved Canopy and ABC colony clustering algorithm based on K-Means,简称“CAK均值算法”),通过实验验证CAK均值算法对数据聚类的效果。(3)研究用户-标签-商品模型。研究用户与商品的关系设计标签模型,通过实验验证标签模型的命中率。(4)设计用户行为商品推荐系统。研究、设计和实现商品的推荐系统,并通过实验验证商品推荐系统和DRC在数据管理方面的有效性。取得的研究成果和创新点:(1)提出了一种结合DRC和CAK均值算法的融合用户线下线上行为特征的混合推荐算法。通过DRC对商品数据和用户行为数据进行注册,结合K-Means混合Canopy算法和改进的ABC人工蜂群算法形成CAK均值算法,将用户每日线下行为数据进行聚类,以聚类结果分析用户的活动特征,了解用户的行为习惯,再通过用户-标签-商品模型分析用户线上行为数据,利用用户线上操作历史预测用户的偏好商品,结合两种用户行为分析生成混合推荐算法,实现用户商品推荐。(2)提出了一种用户和商品数据的注册规范以及基于DRC的用户商品推荐方法。设计数据库表字段规范,生成元数据表与真实数据表,按照规范注册入库。利用DRC实现数据输入输出、管理用户和商品数据,提供商品推荐的数据服务。
基于数据注册中心的用户行为商品推荐系统研究
这是一篇关于DRC,线下行为数据,标签模型,混合推荐算法的论文, 主要内容为近年来线上购买商品的用户日益增加,同时推动着各大电子商务平台的发展,一个优秀的电商平台需要对用户的潜在需求进行深入挖掘,向用户推荐其感兴趣的商品。推荐系统需要通过庞大的数据量进行分析才能实现向用户推荐产品,但是如何管理数据和提高数据利用率是各电商平台面临的难题,一直没有合适的体系结构对这些海量数据进行管理并提供服务。就这些问题,本文基于面向数据的体系结构(DOA,Data-Oriented Architecture)中的数据注册中心(DRC,Data Register Center),利用数据天生注册、统一化管理的特点,设计和实现了一种基于DRC的结合聚类算法和标签模型的商品推荐系统。主要研究内容:(1)研究商品数据与用户信息注册规范。利用DRC数据天生注册的原理,结合商品和用户的特性,研究和设计商品注册规范、用户数据注册规范以及用户线上线下行为数据注册规范。(2)研究混合聚类算法。针对K-Means聚类算法的不足进行改进和优化,研究基于K-Means结合Canopy和ABC人工蜂群算法的改进聚类算法(Improved Canopy and ABC colony clustering algorithm based on K-Means,简称“CAK均值算法”),通过实验验证CAK均值算法对数据聚类的效果。(3)研究用户-标签-商品模型。研究用户与商品的关系设计标签模型,通过实验验证标签模型的命中率。(4)设计用户行为商品推荐系统。研究、设计和实现商品的推荐系统,并通过实验验证商品推荐系统和DRC在数据管理方面的有效性。取得的研究成果和创新点:(1)提出了一种结合DRC和CAK均值算法的融合用户线下线上行为特征的混合推荐算法。通过DRC对商品数据和用户行为数据进行注册,结合K-Means混合Canopy算法和改进的ABC人工蜂群算法形成CAK均值算法,将用户每日线下行为数据进行聚类,以聚类结果分析用户的活动特征,了解用户的行为习惯,再通过用户-标签-商品模型分析用户线上行为数据,利用用户线上操作历史预测用户的偏好商品,结合两种用户行为分析生成混合推荐算法,实现用户商品推荐。(2)提出了一种用户和商品数据的注册规范以及基于DRC的用户商品推荐方法。设计数据库表字段规范,生成元数据表与真实数据表,按照规范注册入库。利用DRC实现数据输入输出、管理用户和商品数据,提供商品推荐的数据服务。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/49630.html
