基于Hadoop与Mahout的商品推荐系统的设计与实现
这是一篇关于SS2H框架,商品推荐系统,Hadoop分布式平台,Mahout项目的论文, 主要内容为随着大数据时代的到来,电子商务市场的飞速发展,用户很难从爆炸性堆积的商品信息中获取到真正符合自己需求的部分,导致了“信息过载”现象的出现。目前公司的交易网站就面临着这样的问题。首先,由于公司商品信息的激增,海量的商品信息使得用户无所适从,仅仅依赖于搜索引擎并不能满足用户需求。其次,交易网站还必须要在很短的时间内对数以万计的在线用户进行精确的商品信息反馈。本文围绕上述这些问题,设计并实现了一个商品推荐系统。此系统是通过处理收集到的用户的特征偏好以及购买行为等信息,继而推荐一些可能会让用户喜欢并愿意购买的商品,无须用户耗费大量的精力在海量信息中寻找适合自己的商品。同时,为了解决网站及时反馈的问题,此系统是基于Hadoop分布式平台开发实现的。为了提高系统的可扩展性,使得视图层与逻辑层分离开来,本系统采用了MVC设计模式,并配合Spring+Struts2+Hibernate框架进行开发。前端部分使用了 jQuery、Bootstrap等框架进行网站页面的设计与开发。数据存储部分则采用的是MySQL数据库与HDFS分布式文件系统相结合的方式。依据公司用户数据集的特性,推荐算法部分采用的是Apache Mahout项目中的推荐算法,此算法借助Hadoop中MapReduce编程模型进行计算。本系统根据公司提供的需求规约可以划分为六个模块,其中推荐服务模块是系统的核心模块,通过获取到的用户特征和行为信息,基于Hadoop平台计算出用户可能感兴趣的商品信息。评估服务模块则是为了适应以后公司用户数据集的变化,方便管理员选择出与数据集相匹配的推荐算法。用户管理模块、商品管理模块、日程管理模块是用来管理用户、商品以及日程的相关信息,实现用户注册、登录、激活账号等基本功能以及商品的浏览展示等功能,并给管理员提供日程管理的辅助功能。存储管理部分则是为系统提供数据的存储功能。
基于评论信息的跨领域商品推荐研究
这是一篇关于商品推荐系统,跨领域推荐系统,基于评论推荐系统的论文, 主要内容为随着信息技术的发展,PC、移动端设备的普及,人们通过电商平台进行商品采购越来越方便、快捷。这也使得电商平台不断扩张,为消费者带来琳琅满目的商品的同时,也为用户带来了信息过载的难题。在过去的十几年中,推荐系统作为解决信息过载的重要手段已经在电商领域取得了一定的成绩,但是也不可避免地受困于数据稀疏性与用户冷启动问题。物质生活水平的提升使得人们对购物的需求越来越多样化、精细化、个性化,这引导着电商平台往精细化运营的方向发展。各大电商平台不断细化丰富商品领域,同时也不断激励用户提供更多的反馈方式,包括文本评论反馈和评分反馈等。这使得电商平台能够获得的关于用户在多个商品领域中的信息越发丰富,为解决传统推荐中的数据稀疏性与用户冷启动问题提供了可能性。基于以上的两点,本文围绕数据稀疏性与用户冷启动问题,从评论文本挖掘以及充分利用用户在不同商品领域的评论信息的角度出发,针对不同的应用场景提出了两个基于评论文本的跨领域用户兴趣模型,并设计了相应的商品推荐算法。首先,本文针对在多领域之间共享用户兴趣信息,以缓解数据稀疏性的推荐场景,设计了 CCoNN算法。该算法以CNN文本处理为基础,从多个领域的评论文本中提取领域共享的用户兴趣向量,以及领域独有的商品特征向量,利用因子分解机挖掘用户兴趣向量于商品特征向量之间的关系,提升了商品评分预测的精度。其次,本文针对完全冷启动用户商品推荐问题,设计了 DSNRec算法。该算法基于编解码器结构,从多个领域的用户评论文本中提取领域独有的用户兴趣信息以及领域共享的用户兴趣信息,通过不同领域之间共享用户兴趣信息实现领域间的用户兴趣迁移,并结合评论文本中提取的商品特征向量,利用传统矩阵分解的形式为目标领域中完全冷启动用户进行评分预测。最后,本文在亚马逊电商数据集上设计实验并验证了 CCoNN以及DSNRec在各自推荐场景中,相较于传统单领域推荐算法的有效性。
基于评论信息的跨领域商品推荐研究
这是一篇关于商品推荐系统,跨领域推荐系统,基于评论推荐系统的论文, 主要内容为随着信息技术的发展,PC、移动端设备的普及,人们通过电商平台进行商品采购越来越方便、快捷。这也使得电商平台不断扩张,为消费者带来琳琅满目的商品的同时,也为用户带来了信息过载的难题。在过去的十几年中,推荐系统作为解决信息过载的重要手段已经在电商领域取得了一定的成绩,但是也不可避免地受困于数据稀疏性与用户冷启动问题。物质生活水平的提升使得人们对购物的需求越来越多样化、精细化、个性化,这引导着电商平台往精细化运营的方向发展。各大电商平台不断细化丰富商品领域,同时也不断激励用户提供更多的反馈方式,包括文本评论反馈和评分反馈等。这使得电商平台能够获得的关于用户在多个商品领域中的信息越发丰富,为解决传统推荐中的数据稀疏性与用户冷启动问题提供了可能性。基于以上的两点,本文围绕数据稀疏性与用户冷启动问题,从评论文本挖掘以及充分利用用户在不同商品领域的评论信息的角度出发,针对不同的应用场景提出了两个基于评论文本的跨领域用户兴趣模型,并设计了相应的商品推荐算法。首先,本文针对在多领域之间共享用户兴趣信息,以缓解数据稀疏性的推荐场景,设计了 CCoNN算法。该算法以CNN文本处理为基础,从多个领域的评论文本中提取领域共享的用户兴趣向量,以及领域独有的商品特征向量,利用因子分解机挖掘用户兴趣向量于商品特征向量之间的关系,提升了商品评分预测的精度。其次,本文针对完全冷启动用户商品推荐问题,设计了 DSNRec算法。该算法基于编解码器结构,从多个领域的用户评论文本中提取领域独有的用户兴趣信息以及领域共享的用户兴趣信息,通过不同领域之间共享用户兴趣信息实现领域间的用户兴趣迁移,并结合评论文本中提取的商品特征向量,利用传统矩阵分解的形式为目标领域中完全冷启动用户进行评分预测。最后,本文在亚马逊电商数据集上设计实验并验证了 CCoNN以及DSNRec在各自推荐场景中,相较于传统单领域推荐算法的有效性。
基于评论信息的跨领域商品推荐研究
这是一篇关于商品推荐系统,跨领域推荐系统,基于评论推荐系统的论文, 主要内容为随着信息技术的发展,PC、移动端设备的普及,人们通过电商平台进行商品采购越来越方便、快捷。这也使得电商平台不断扩张,为消费者带来琳琅满目的商品的同时,也为用户带来了信息过载的难题。在过去的十几年中,推荐系统作为解决信息过载的重要手段已经在电商领域取得了一定的成绩,但是也不可避免地受困于数据稀疏性与用户冷启动问题。物质生活水平的提升使得人们对购物的需求越来越多样化、精细化、个性化,这引导着电商平台往精细化运营的方向发展。各大电商平台不断细化丰富商品领域,同时也不断激励用户提供更多的反馈方式,包括文本评论反馈和评分反馈等。这使得电商平台能够获得的关于用户在多个商品领域中的信息越发丰富,为解决传统推荐中的数据稀疏性与用户冷启动问题提供了可能性。基于以上的两点,本文围绕数据稀疏性与用户冷启动问题,从评论文本挖掘以及充分利用用户在不同商品领域的评论信息的角度出发,针对不同的应用场景提出了两个基于评论文本的跨领域用户兴趣模型,并设计了相应的商品推荐算法。首先,本文针对在多领域之间共享用户兴趣信息,以缓解数据稀疏性的推荐场景,设计了 CCoNN算法。该算法以CNN文本处理为基础,从多个领域的评论文本中提取领域共享的用户兴趣向量,以及领域独有的商品特征向量,利用因子分解机挖掘用户兴趣向量于商品特征向量之间的关系,提升了商品评分预测的精度。其次,本文针对完全冷启动用户商品推荐问题,设计了 DSNRec算法。该算法基于编解码器结构,从多个领域的用户评论文本中提取领域独有的用户兴趣信息以及领域共享的用户兴趣信息,通过不同领域之间共享用户兴趣信息实现领域间的用户兴趣迁移,并结合评论文本中提取的商品特征向量,利用传统矩阵分解的形式为目标领域中完全冷启动用户进行评分预测。最后,本文在亚马逊电商数据集上设计实验并验证了 CCoNN以及DSNRec在各自推荐场景中,相较于传统单领域推荐算法的有效性。
基于评论信息的跨领域商品推荐研究
这是一篇关于商品推荐系统,跨领域推荐系统,基于评论推荐系统的论文, 主要内容为随着信息技术的发展,PC、移动端设备的普及,人们通过电商平台进行商品采购越来越方便、快捷。这也使得电商平台不断扩张,为消费者带来琳琅满目的商品的同时,也为用户带来了信息过载的难题。在过去的十几年中,推荐系统作为解决信息过载的重要手段已经在电商领域取得了一定的成绩,但是也不可避免地受困于数据稀疏性与用户冷启动问题。物质生活水平的提升使得人们对购物的需求越来越多样化、精细化、个性化,这引导着电商平台往精细化运营的方向发展。各大电商平台不断细化丰富商品领域,同时也不断激励用户提供更多的反馈方式,包括文本评论反馈和评分反馈等。这使得电商平台能够获得的关于用户在多个商品领域中的信息越发丰富,为解决传统推荐中的数据稀疏性与用户冷启动问题提供了可能性。基于以上的两点,本文围绕数据稀疏性与用户冷启动问题,从评论文本挖掘以及充分利用用户在不同商品领域的评论信息的角度出发,针对不同的应用场景提出了两个基于评论文本的跨领域用户兴趣模型,并设计了相应的商品推荐算法。首先,本文针对在多领域之间共享用户兴趣信息,以缓解数据稀疏性的推荐场景,设计了 CCoNN算法。该算法以CNN文本处理为基础,从多个领域的评论文本中提取领域共享的用户兴趣向量,以及领域独有的商品特征向量,利用因子分解机挖掘用户兴趣向量于商品特征向量之间的关系,提升了商品评分预测的精度。其次,本文针对完全冷启动用户商品推荐问题,设计了 DSNRec算法。该算法基于编解码器结构,从多个领域的用户评论文本中提取领域独有的用户兴趣信息以及领域共享的用户兴趣信息,通过不同领域之间共享用户兴趣信息实现领域间的用户兴趣迁移,并结合评论文本中提取的商品特征向量,利用传统矩阵分解的形式为目标领域中完全冷启动用户进行评分预测。最后,本文在亚马逊电商数据集上设计实验并验证了 CCoNN以及DSNRec在各自推荐场景中,相较于传统单领域推荐算法的有效性。
基于Hadoop与Mahout的商品推荐系统的设计与实现
这是一篇关于SS2H框架,商品推荐系统,Hadoop分布式平台,Mahout项目的论文, 主要内容为随着大数据时代的到来,电子商务市场的飞速发展,用户很难从爆炸性堆积的商品信息中获取到真正符合自己需求的部分,导致了“信息过载”现象的出现。目前公司的交易网站就面临着这样的问题。首先,由于公司商品信息的激增,海量的商品信息使得用户无所适从,仅仅依赖于搜索引擎并不能满足用户需求。其次,交易网站还必须要在很短的时间内对数以万计的在线用户进行精确的商品信息反馈。本文围绕上述这些问题,设计并实现了一个商品推荐系统。此系统是通过处理收集到的用户的特征偏好以及购买行为等信息,继而推荐一些可能会让用户喜欢并愿意购买的商品,无须用户耗费大量的精力在海量信息中寻找适合自己的商品。同时,为了解决网站及时反馈的问题,此系统是基于Hadoop分布式平台开发实现的。为了提高系统的可扩展性,使得视图层与逻辑层分离开来,本系统采用了MVC设计模式,并配合Spring+Struts2+Hibernate框架进行开发。前端部分使用了 jQuery、Bootstrap等框架进行网站页面的设计与开发。数据存储部分则采用的是MySQL数据库与HDFS分布式文件系统相结合的方式。依据公司用户数据集的特性,推荐算法部分采用的是Apache Mahout项目中的推荐算法,此算法借助Hadoop中MapReduce编程模型进行计算。本系统根据公司提供的需求规约可以划分为六个模块,其中推荐服务模块是系统的核心模块,通过获取到的用户特征和行为信息,基于Hadoop平台计算出用户可能感兴趣的商品信息。评估服务模块则是为了适应以后公司用户数据集的变化,方便管理员选择出与数据集相匹配的推荐算法。用户管理模块、商品管理模块、日程管理模块是用来管理用户、商品以及日程的相关信息,实现用户注册、登录、激活账号等基本功能以及商品的浏览展示等功能,并给管理员提供日程管理的辅助功能。存储管理部分则是为系统提供数据的存储功能。
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：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/51293.html
