基于协同过滤算法的电子商务推荐系统研究

《基于协同过滤算法的电子商务推荐系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、声明本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下，独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含其他个人或集体己经发表或撰写过的科研成果。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：尊至觅日期：蛰[三：丕。(兰关于学位论文使用权的说明本人完全了解太原理工大学有关保管、使用学位论文的规定，其中包括：①学校有权保管、并向有关部门送交学位论文的原件与复印件；②学校可以采用影印、缩印或其它子复制手段复制并保存学位论文；③

2、学校可允许学位论文被查阅或借阅；④学校可以学术交流为目的，复制赠送和交换学位论文；⑤学校可以公布学位论文的全部或部分内容(保密学位论文在解密后遵守此规定)。作者签名：导师签名：々獗琢趋耄EtI彭I：2丝!≤：f至太原理工大学硕士学位论文基于协同过滤算法的电子商务推荐系统研究摘要随着电子商务的发展和互联网“信息过载”问题的加剧，电商企业如何满足消费者对信息精准化和个性化的需求，使得用户在海量的信息中只需较低的成本，就能得到自己需要的商品或者信息，提高消费者的体验以及满意程度，对传统电商而言尤为重要。随着移动

3、互联网的发展，推荐算法面临着新的挑战，移动电商对其精确性和针对性提出了更高的要求，在新的形势下，信息的推荐就变得更为专业和复杂。基本的推荐技术有两种：基于内容的推荐和协同过滤推荐。两者有各有优点和不足：基于内容的推荐是从项目的角度出发，通过分析用户访问过的项目特征，然后将与这些项目相似的用户未访问的项目推荐给用户，其缺点是忽略了用户的潜在兴趣；与之不同的是，协同过滤从用户的角度出发，通过分析用户的相似性，然后将相似用户的喜欢的项目推荐给活动用户，但是协同过滤本身存在着数据稀疏、冷启动等问题。个性化推荐系统

4、通过对用户信息进行分析，向用户推荐可能感兴趣的商品，从而在一定程度上缓解信息过载的问题，帮助用户在大量的信息中寻找到满足自己个性需求的信息。随着移动终端的大范围普及和移动互联网技术的不断进步，消费者接受信息的方式从传统PC向手机或者平板等移动终端转移。在移动互联网的环境中，终端从PC变为了更为个性化的手机等，对推荐的个性化和精准性就提出了更高的要求。，本文在对这两种技术的推荐原理详细分析的基础上，总结分析基于内容的推荐和协同过滤两种推荐技术的优势，提出了基于内容的用户偏好模型，在用户和评分数据较少的情况下

5、，提高了协同过滤的效率，实现了较为准确的推荐。本文采用Netflix数据集和Taste推荐引擎，对提出的模型进行了有效性验证。最后本文将推荐系统应用到手机电子优惠券软件中，实现了优惠券的推荐。关键词：电子商务，协同过滤，混合推荐，Taste引擎太原理工大学硕士学位论文RESEARCHONELECTRONICCOA心僵ERCERECOM[Ⅳ匝NDATIONSYSTEMBASEDONCOLLABORATⅣEFIIJERINGALGORITHMABSTRACTAlongwiththedevelopmentofe

6、—commerceandthe’’informationoverload’’problem，howelectricityenterprisessatisfyconsumers’demandsforaccurateandpersonalizedinformation，enableusersgetgoodsorinformationinthevastamountsofinformationatlowcost，enhanceconsumers’experienceandsatisfaction，isespeci

7、allyimportantfortraditionalelectricalcontractor．WiththedevelopmentofmobileInternet，recommendationalgorithmisfacedwithnewchallenges，mobileelectricityforitsaccuracyandtargetedputforwardhigherrequest，underthenewsituation，informationrecommendationbecomesmores

8、pecializedandcomplex．Therearetwobasicrecommendationtechnology：content—basedrecommendationandcollaborativefilteringrecommendation．Bothofthemhaveadvantagesanddisadvantages：content—basedrecommendationworkswiththeconten