论文部分内容阅读
随着计算机的日益普及,网络已经成为人们生活中必不可少的一部分。如今,网上购物成为人们一种新的生活方式。网络上庞大的信息给人们带来了更多的选择的同时,也带来了困惑。客户如何从数以万计的商品中选出最合心意的产品,企业如何提高客户忠诚度以及保持客户,如何满足各种用户不同的个性化需求等,都成为首要解决的问题。为了使客户体验到完全个性化的服务,更好的满足客户的需求,关键是要了解客户的兴趣,发掘出客户潜在的购买力。本文首先介绍了个性化服务的内涵。个性化服务就是为不同用户提供不同的服务,以满足不同用户的需求。个性化服务通过收集和分析用户信息来学习用户的兴趣和行为,从而实现主动推荐的目的。其次介绍了贝叶斯网络。贝叶斯网络为个性化服务的实现提供了一种有效的方法,它能够使先验知识和数据有机的结合,并且通过较为直观的概率关联关系来发现用户兴趣。即使在干扰较多的情况下,也能够做出精确的预测。接着,文中分析了用户的实时行为,将用户的实时行为统一为用户的初始兴趣度,并利用贝叶斯网络对初始兴趣度进行更深一步的分析和预测。由于贝叶斯网络可预测突发事件,因此应用在用户的实时推荐中,能够更好的反映不同时期用户的不同喜好。在此基础上,本文结合用户的历史消费行为,利用动态贝叶斯预测模型研究用户的购买习惯,从而发现用户的潜在兴趣。这样,不仅全面的考虑到影响用户兴趣的因素,而且简化了兴趣预测模型,达到了在线推荐的目的。为了更好的满足用户需求,本文根据客户忠诚度的概念,对贝叶斯网络的结构进行更新学习,进而有效的处理大量的用户数据,更新兴趣预测模型。客户忠诚度的研究是建立在客户满意理论基础上的,增强客户满意度的最终目的是提高客户忠诚度。因此,对忠诚度的研究能够较好的解释并反映客户的购物行为。客户的忠诚度的评估结合了用户的实时行为和历史行为,并在很大的程度上体现了用户的潜在兴趣,能够有效的更新模型,而且避免了样本数据的再训练,为在线预测节省了时间。本文将实时行为和历史行为相结合,简洁、高效的建立了用户兴趣模型。并在此基础上,加入了客户的忠诚度作为网络更新参数,用以更新不断变化的用户需求,使得服务更具个性化。最后对文章进行了总结,指出了其中的不足,也展望了将来可以进一步研究的方向。