论文部分内容阅读
电子商务推荐系统就是模拟导购,在用户购买过程中提出建议,并在用户下次访问网站时,根据用户的浏览、购买信息,提供其最可能感兴趣的商品。推荐系统可以将访客变成购买者,从而提高交叉销售以及提高用户满意度。本文通过对当前B2C网站的电子商务个性化推荐系统分析,发现传统的推荐系统有如下问题:数据稀疏性问题,用户购买或评分的只占总商品数的1%左右;新项目问题,对于未被购买或评分的新商品、新用户一般不能进行推荐;推荐方法单一、数据处理耗时过长以及推荐精度不高的问题。本文在该问题基础上提出一种B2C模式下的多模型推荐系统(MMRS)的设计及实现,该系统通过对服务器日志、用户购物历史记录、Web元数据以及用户注册信息处理,运用关联、聚类以及改进的协同过滤方法,最后给出商品、用户评论以及email营销广告等不同方式的推荐结果。这种对不同用户的多模型的推荐方案,即使新老用户由于信息的不同,都能够产生有效的推荐,并能够对新产品产生推荐,在数据处理以及推荐精度、推荐范围上也有一定改进。针对Web日志中用户很难被识别的问题,本文通过对日志中IP地址与浏览器类别以及结合Cookies来识别用户。对于一般匿名用户,也可以通过Cookies信息有效识别用户,得到用户的浏览情况,进行一定的商品推荐。由于传统协同过滤推荐在推荐精度、数据处理效率都有一定的不足,文中提出一种基于聚类和项目预测的协同过滤方法,把用户、商品进行聚类后,将同属一类的用户、商品构建用户——商品子矩阵,在该矩阵基础上进行最近邻查询,从而计算用户对未评分项目的预测评分。该方法在数据稀疏性处理以及推荐准确性上有一定的改进。文中最后利用D电子商务公司实际数据,对MMRS系统进行验证,发现新系统在新项目问题、推荐范围、推荐精度上明显优于原系统,并能够更好的发现用户兴趣度,从而提高了网站销售量。这些方法与处理过程,对于其他B2C网站也都有一定的借鉴意义。