基于长尾理论的物品协同过滤推荐算法研究
这是一篇关于长尾理论,物品相似度,协同过滤,冷门商品,权重的论文, 主要内容为传统上,帕累托法则似乎认为公司的大量收入是由相对较少的热门产品产生的,因此以往的电商销售数据更关注排行靠前的商品。然而,互联网的发展克服了传统零售商的各种困难,在商品的边缘成本趋于零的情况下,那些分布在尾部商品的销售规模足以与热门商品相匹敌。通过对Amazon、Netflix等互联网企业的销售数据分析,美国一名杂志主编Chris Anderson提出了“长尾”这一概念,这一现象引起了广泛的关注,各科学领域的研究人员对生活中存在的长尾现象进行了深入的研究。本文结合了长尾理论的相关概念,为了更好的提高冷门商品的推荐率,在基于物品的协同过滤TOP-N算法上进行改进,具体工作如下:首先对推荐系统领域的主要算法进行了介绍,在分析不同类推荐算法优缺点的同时,重点描述了在协同过滤算法中,基于物品推荐itemCF与基于用户推荐userCF的区别,从惊喜度、数据稀疏度、多样性三个角度阐明了为什么使用基于物品的itemCF作为长尾理论推荐的基础。其次对传统的基于物品推荐在进行长尾推荐时,冷门商品与热门商品在物品相似度计算步骤中并没用进行明显区分的问题,本文提出了基于物品评论权重因子的改进算法itemCF-IIF,惩罚了热门商品在推荐列表出现的频率,提高了冷门物品被推荐的概率。然后针对长尾推荐中可能存在刷分现象这一弊端,通过实验分析用户评价均分对实验评测标准的影响程度,排除最有刷分嫌疑的用户群体,提高推荐结果的准确率。最后针对使用Jaccard物品相似度算法导致推荐结果不能对物品评分进行差异化区分的问题进行了改进,提出了物品评分均分因子对用户推荐列表中的物品进行了排序优化。排序优化后的用户推荐列表在挖掘长尾分布物品的同时,提高了用户体验和推荐质量。图19表10参57
基于用户感知的个性化推荐系统推荐效果评价
这是一篇关于京东商品推荐,冷门商品,用户体验,多属性评价的论文, 主要内容为2020年,新冠疫情蔓延全球,各地的消费者都面临着隔离和封锁,因此进行网上购物的用户规模达到了历史新高,全球主要地区的电子商务市场增长率都在15%以上,如今电商平台供应的商品规模呈现爆炸式增长,数量众多的商品令消费者眼花缭乱,个性化推荐的出现,很好的解决了“信息过载”的问题。目前个性化推荐的研究侧重于“后端”开发、推荐算法理论,而基于用户的实际购物体验,评价这些推荐商品和用户真实目标商品契合程度的研究较为缺乏,并且对于即时性需求的冷门(长尾)商品,用户是否有购买欲望,很大程度上依赖电商平台商品推荐。所以本文站在用户的角度,基于爬虫工具,研究在用户实际搜索购物冷门商品流程中,根据用户在京东平台上所能看到的商品信息建立了以“商品”、“店铺”、“主观感受”为一级指标的属性指标体系;综合使用模糊层次分析法、模糊优选模型、熵权TOPSIS模型,建立基于京东平台商品推荐与用户目标契合度的商品推荐效果评价模型,分别从“动态”(以用户各次浏览中的即时目标商品作为参考)和“静态”(以最终用户购的商品作为参考)两个方面评价京东商品的推荐效果。其结果显示:在单个商品与用户目标的契合度与京东整体推荐效果结果中,首页的契合度及推荐得分都高于二、三页。并且对于商品推荐页的前两行商品,前两行平均契合度都比其所在推荐页的整体平均契合度要高,表明京东能够及时把与用户目标契合的商品推送到推荐列表前列。(2)京东平台的“动态”推荐效果还有待完善,随着用户浏览行为的不断深入,其即时偏好的也在不断调整,但京东平台在应对用户即时偏好变化的快速反应效果不佳。(3)以用户实际购的商品为参考,从整个浏览、购买商品过程来看,“便捷干衣器”与“防雾眼镜布”京东平台推荐效果呈现递增趋势。综合研究结果,本文认为京东平台呈现出较好的推荐能力,但仍需提高应对用户选购冷门商品即时偏好不断变化快速优化推荐的能力,进而优化用户的个人购物体验,提高用户购物效率,增强京东用户黏度。
基于用户感知的个性化推荐系统推荐效果评价
这是一篇关于京东商品推荐,冷门商品,用户体验,多属性评价的论文, 主要内容为2020年,新冠疫情蔓延全球,各地的消费者都面临着隔离和封锁,因此进行网上购物的用户规模达到了历史新高,全球主要地区的电子商务市场增长率都在15%以上,如今电商平台供应的商品规模呈现爆炸式增长,数量众多的商品令消费者眼花缭乱,个性化推荐的出现,很好的解决了“信息过载”的问题。目前个性化推荐的研究侧重于“后端”开发、推荐算法理论,而基于用户的实际购物体验,评价这些推荐商品和用户真实目标商品契合程度的研究较为缺乏,并且对于即时性需求的冷门(长尾)商品,用户是否有购买欲望,很大程度上依赖电商平台商品推荐。所以本文站在用户的角度,基于爬虫工具,研究在用户实际搜索购物冷门商品流程中,根据用户在京东平台上所能看到的商品信息建立了以“商品”、“店铺”、“主观感受”为一级指标的属性指标体系;综合使用模糊层次分析法、模糊优选模型、熵权TOPSIS模型,建立基于京东平台商品推荐与用户目标契合度的商品推荐效果评价模型,分别从“动态”(以用户各次浏览中的即时目标商品作为参考)和“静态”(以最终用户购的商品作为参考)两个方面评价京东商品的推荐效果。其结果显示:在单个商品与用户目标的契合度与京东整体推荐效果结果中,首页的契合度及推荐得分都高于二、三页。并且对于商品推荐页的前两行商品,前两行平均契合度都比其所在推荐页的整体平均契合度要高,表明京东能够及时把与用户目标契合的商品推送到推荐列表前列。(2)京东平台的“动态”推荐效果还有待完善,随着用户浏览行为的不断深入,其即时偏好的也在不断调整,但京东平台在应对用户即时偏好变化的快速反应效果不佳。(3)以用户实际购的商品为参考,从整个浏览、购买商品过程来看,“便捷干衣器”与“防雾眼镜布”京东平台推荐效果呈现递增趋势。综合研究结果,本文认为京东平台呈现出较好的推荐能力,但仍需提高应对用户选购冷门商品即时偏好不断变化快速优化推荐的能力,进而优化用户的个人购物体验,提高用户购物效率,增强京东用户黏度。
基于用户感知的个性化推荐系统推荐效果评价
这是一篇关于京东商品推荐,冷门商品,用户体验,多属性评价的论文, 主要内容为2020年,新冠疫情蔓延全球,各地的消费者都面临着隔离和封锁,因此进行网上购物的用户规模达到了历史新高,全球主要地区的电子商务市场增长率都在15%以上,如今电商平台供应的商品规模呈现爆炸式增长,数量众多的商品令消费者眼花缭乱,个性化推荐的出现,很好的解决了“信息过载”的问题。目前个性化推荐的研究侧重于“后端”开发、推荐算法理论,而基于用户的实际购物体验,评价这些推荐商品和用户真实目标商品契合程度的研究较为缺乏,并且对于即时性需求的冷门(长尾)商品,用户是否有购买欲望,很大程度上依赖电商平台商品推荐。所以本文站在用户的角度,基于爬虫工具,研究在用户实际搜索购物冷门商品流程中,根据用户在京东平台上所能看到的商品信息建立了以“商品”、“店铺”、“主观感受”为一级指标的属性指标体系;综合使用模糊层次分析法、模糊优选模型、熵权TOPSIS模型,建立基于京东平台商品推荐与用户目标契合度的商品推荐效果评价模型,分别从“动态”(以用户各次浏览中的即时目标商品作为参考)和“静态”(以最终用户购的商品作为参考)两个方面评价京东商品的推荐效果。其结果显示:在单个商品与用户目标的契合度与京东整体推荐效果结果中,首页的契合度及推荐得分都高于二、三页。并且对于商品推荐页的前两行商品,前两行平均契合度都比其所在推荐页的整体平均契合度要高,表明京东能够及时把与用户目标契合的商品推送到推荐列表前列。(2)京东平台的“动态”推荐效果还有待完善,随着用户浏览行为的不断深入,其即时偏好的也在不断调整,但京东平台在应对用户即时偏好变化的快速反应效果不佳。(3)以用户实际购的商品为参考,从整个浏览、购买商品过程来看,“便捷干衣器”与“防雾眼镜布”京东平台推荐效果呈现递增趋势。综合研究结果,本文认为京东平台呈现出较好的推荐能力,但仍需提高应对用户选购冷门商品即时偏好不断变化快速优化推荐的能力,进而优化用户的个人购物体验,提高用户购物效率,增强京东用户黏度。
关于电商平台冷门商品的推荐系统研究
这是一篇关于冷门商品,推荐系统,覆盖率的论文, 主要内容为随着互联网和科技的发展,大众信息数量成爆炸式增加。特别是手机的发展,促使每个人都离不开手机,例如手机上的购物平台,使得使用者随时随地都可以上网购物。当然也产生了大量数据。那么,在电商平台上数量众多且稀疏性的数据中发掘具有价值的数据,显得尤为重要。推荐系统对分析电商平台数据的有效性和合理利用具有非常显著的优势。现在的推荐系统逐渐趋于成熟,但这些系统都是着力解决关于热门商品的推荐,而忽视了冷门商品的推荐。整个商务平台的商品类型分为热门商品和冷门商品,冷门商品虽然具体的商品用户少,但是总的购买数量却可以和热门商品的购买量大致相当。同时由于冷门商品不可能直接陈列在电商平台主要的推荐页面上,导致了针对冷门商品的个性化推荐必不可少。首先,本文对冷门商品进行一个总结性介绍,包括冷门商品的概念,冷门商品具有的特点,以及针对冷门商品的推荐系统应该具有的特性。只有对冷门商品进行彻底的深入分析和研究,才能使得改进后的推荐系统具有较强的针对性。然后,将现在电子商品平台常用的一些推荐系统做了简单介绍,特别是协同过滤系统,并且比较了不同类型协同过滤算法的优缺点。其次,提出聚类分析将用户进行分类和基于物品的协同过滤算法的改进。一方面计算用户对物品喜好程度时,对用户隐形反馈信息的合理利用方面。不是平等地对待各类用户隐形信息,而是针对不同类型的信息,赋予不同的比重,体现出用户信息类型对计算用户偏好时的重要性。另一方面是对物品相似度算法的改进。例如,消除热门商品的影响并且保持算法的有效性,不至于是新用户时结果趋于无穷。最后,利用真实的阿里巴巴电子商品平台的相关数据,进行实例分析研究。主要采用覆盖率和准确率两个评价指标对结果进行分析说明,对改进推荐算法的性能进行评价。本文针对冷门商品推荐系统存在的用户信息稀疏和现存推荐算法没有考虑到热门商品对冷门商品的影响问题,故提出改进的推荐系统。采用聚类分析中的K均值聚类对用户进行大方向的划分,进而缓解冷门商品用户评分矩阵的稀疏性。其优点是K均值聚类运算速度快,面对电子商品平台快速更新的信息具有不错的应对能力,同时随着信息的更新可以不断改变聚类的族中心,缓解了新用户导致的可扩展性问题。改进的推荐算法是在基于物品的协同过滤推荐算法的基础上改进的。因为经常使用电子商品平台的用户往往不喜欢主流商品的推荐,更多的是推荐他们感兴趣的物品,所以基于物品的协同过滤算法是个不错的选择。基于物品的协同过滤算法计算用户对某商品的偏好程度时,采用用户隐形反馈信息如购买、收藏、加购物车、点击,不是平等对待不同的信息而是利用对比标度赋权法计算相应的权重,使得计算结果更加贴合实际情况,准确估计出用户的喜好。同时改进计算物品相似度的公式,尽量消除热门商品对推荐结果的影响,也避免了某些冷门商品新用户导致公式分母为0的结果出现。覆盖率对推荐结果进行分析评价,因为覆盖率高的推荐系统给出的推荐列表中,商品品种多而且这些商品以往很少进行推荐,故该推荐系统具有很强的冷门商品发掘的能力。准确率可以表明预测与真实情况的差异情况,体现出了推荐系统的精确性。因此主要利用覆盖率、准确度作为评价推荐系统的指标。根据真实的电子商务数据做交叉验证,得到的指标结果显示,虽然准确率较其他推荐系统没有太大的提高,但是覆盖率具有较高指标。由于覆盖率说明推荐系统给出的商品的流行度,进而体现出本文的推荐系统具有比较好推荐冷门商品的能力。
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：毕设驿站 ，原文地址：https://m.bishedaima.com/lunwen/55840.html
