基于用户浏览轨迹的商品推荐方法研究

《基于用户浏览轨迹的商品推荐方法研究》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、１００１０单位代码；＾化《化义乂嗦硕±研究生学位论文题目違斗苗汹１《似也的／报Ａ研黎资恶＿专业於件￣＾寺重硏究生气牟化指导教师蘇侈乘＞）。６曰期｜曰：年月北京化工大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中己经注明引用的內容外，本论文不含任何其他个人或集体己经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均己在文中明确方式标明。本人完全意识到本声

2、明的法律结果由本人承担。作者签名：畔ｔ义日期：关于论文使用授权的说明学位论文作者完全了解北京化工大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京化王大学。学校有权保留并向国家有关部口或机构送交论文的复印件和磁盘，允许学位论文被查阅和借阅；学校可公布学位论文的全部或部分内容，可Ｗ允许采用影印、缩印或其它复制手段保存、汇编学位论文。□论文暂不公开（或保密）注释：本学位论文属于暂不公开（或保密）范围，在年解密后适用本授权书。

3、＿□非暂不公开（或保密）论文注释：本学位论文不属于暂不公开（或。保密）范围，适用本授权书￣吏丈作者签名：叫日期：Ｌ２＂化敌７〇Ｕ．＾导师签名：Ｉ日期：ｐ学位论文数据集ＴＰ３９３０．４０９９中图分类号．１学科分类号５２０论文编号１００１０２０１６０７６７密级公开学位授予单位代码１００１０学位授予单位名称北京化工大学作者姓名许文生学号２０１３２００７６７获学位专业名称软件工程获学位专业代码０８１２０３课题来源非立

4、项巧究方向推荐技术论文题目基于用户浏览轨迹的个性化推荐技术研究关键词个性化推荐，浏览轨迹，新用户，冷后动论文答辩日期２０－－２４？１６日论文类型基础研究学位论文评阅及答辩委员会巧况姓名职称工作单位学科专长指导教师郭俊霞讲师北京化工大学网络信息抽取、用户行为研究评阅人１评阅人２评阅人３评阅人４评阅人５答辩委员会主席赵瑞莲教授北京化工大学软件测试答辩委员１耿志强教授北京化工大学数据挖掘２答辩委员李辉副

5、教授北京化工大学密码学、安全学答辩委员３胡伟副教授北京化工大学图形图像答辩委员４尤枫副教授北京化工大学软件测试、软件可靠性答辩委员５一注：．论文类型：１．基础研究２．应用研究３．开发研究４．其它二．中困分类号在《中国图书资料分类法》查询。ＧＢ／Ｔ－王１３７４５９．学科分类号在中华人民共和国国家标准）《》（学科分类与代码中查询。四．论文编号由单位代码和年紛及学号的后四位组成。基于用户浏览轨迹的商品推荐方法研究摘要随着电子商务网站迅速

6、发展，推荐系统在这些网站中得到了广泛的应用。目前应用最广泛的个性化推荐算法是协同过滤推荐算法，但是此方法存在稀疏矩阵与冷启动问题。基于用户浏览记录来预测用户一偏爱是缓解送些问题的个重要研究方向。根据用户在电子商务网站的访问日志，提取出用户的浏览序列，即用户浏览轨迹，然后Ｗ用户浏览轨迹为基础，挖掘用户偏爱，并建立偏爱模型，为用户推荐偏爱商品，解决因为缺少历史购买及评分记录引起的冷启动问题。目前通过分析用户浏览轨迹为用户推荐商品的方法主要从浏览轨迹中商品与下一个商品关系角

7、度出发考虑，而本课题从浏览轨迹中被浏览商品与最终被购买商品关系角度出发一，提出两种推荐方法，一种基于购买转移关系，另种基于商品特征趋势。基于购买转移关系的推荐方法，依据浏览轨迹中商品与最终被购买商品转移关系，同时考虑用户浏览轨迹与购买记录的时效性，对过时数据采用衰减策略，另外考虑浏览轨迹中商品的顺序，对轨迹中浏览距离不同转移关系应用不同的权重，构建购买转移概率模型，向用户推荐商品；基于商品特征趋势的推荐方法根据商品特征属性统计用户浏览轨迹中商品特征趋势，构建Ｍａｒｋｏ

8、ｖ特征趋势模型，当新用户在线浏览商品时，根据Ｍａｒｋｏｖ特征趋势模型和用户当前浏览轨迹中可变商品特征预测用！北京化工大学硕±毕业论文，户偏爱商品的特征集，查找最符合送些特征的商品推荐给当前用户该方法也同时考虑历史数据的时效性和特征集在浏览轨迹中的顺序性。实验证明，这两种方法相对于己有的基于用户浏览路径的方法有较好改进，，都取得了比较好的推荐效果提高了推荐算法的准确度与召回率一，在定程度上解决了新用户冷启动问题和新物品冷启动问