论文部分内容阅读
随着射频识别(Radio Frequency Identification)技术及其他感知技术的快速发展,构建无所不在的物联网正在变成现实。构架于物联网之上的智能应用变得越来越多样和复杂。这其中,购物中心等零售商家为应对电子商务对于传统零售的冲击,也开始着手使用物联网技术构建智能购物中心的相关应用。购物中心情境下的上下文感知推荐系统通过结合上下文信息来分析用户反馈后,做出用户喜好预测,将可能受喜爱的信息或实体推荐给用户。使用推荐系统一方面帮助用户快速找到商品,改善了用户购物体验同时提升了用户忠诚度;另一方面也提高了卖家的交叉销售能力和成交转化率。目前对于上下文感知推荐系统的研究还主要停留在实验室阶段,应用于实际场景的上下文感知推荐系统实践还很少。本文结合国内外的研究,深入分析了上下文感知推荐系统在大型购物中心应用的实际情况与特点,设计改进了一套面向购物中心的推荐算法和解决方案。本研究的主要工作分为三个方面:第一,针对智能购物中心的应用场景,抽取购物记录等隐式用户反馈,并将其映射为用户喜好,在应用传统相似度算法的基础之上,同时结合数据特征,规整用户消费次数等信息,消除和减弱热门商户与活跃用户对于算法计算结果的影响,提高了推荐准确率。第二,通过使用人口统计学特征与决策树算法,系统能够较好地处理历史记录较少或缺失的用户喜好提取问题。第三,在上下文信息融合到推荐生成的过程中,本文重点考虑时间上下文,将RFID数据抽象为区域停留行为进行建模,融入相似度计算,使得用户喜好与时间上下文关联。本文最后在实现上下文感知推荐系统时应用了规则引擎,通过与喜好模型进行匹配,系统将产生的新知识作为推荐结果推送给用户。本文首先阐述了课题背景,分析了当前国内外研究中的上下文感知推荐系统,总结出上下文感知推荐体系按上下文融合过程可分为三类:上下文预过滤、上下文后过滤和上下文建模;按推荐算法体系又可分为:基于协同过滤的推荐、基于内容的推荐和混合推荐。接下来,结合购物中心应用的需求,提出了一套通用的智能购物中心情境下上下文感知推荐系统体系,对基于上下文感知推荐系统的算法模型、规则生成和规则引擎集成进行了深入研究和设计。最后,给出了上下文感知推荐系统各个组件的具体实现方案。