论文部分内容阅读
个性化推荐自问世起已经肩负了很重大的责任,特别是在电子商务领域。但随着近年信息膨胀的速度越来越快,用户的需求越来越多,需要对电商领域个性化推荐系统赋予更强更高效的算法。统计结果表明,具有购买意愿用户的行为与不具有购买意愿用户的行为相比有明显的差异,因此不同用户适用的推荐方法也不一样,所以,为了提升推荐转化率,引入了用户购买意愿推测的功能。本文构建了能提升个性化推荐系统性能的算法,该算法能动态识别用户在浏览时的购物意愿,通过分析用户的真实喜好,从而为其产生更优质的推荐服务。本文的一个工作是分析近年出现新的推荐算法与传统推荐算法的性能差异,通过准确率,召回率,多样性等分析指标对算法做出评测,选取出适合对本文提出的算法进行评测的基准算法,并对上述提出的这些算法进行性能对照,以测试作用于个性化推荐系统时,本文提出的购物意愿识别算法带来的性能提升。本文的第二个工作是提取用户的行为特征并构建出识别算法。根据用户行为提取了适用于构建识别模型的特征,这部分特征能比较好地分离出具有不同购物意愿的用户。基于这部分特征,提出了基于SVM模型以及基于阈值模型的用户购物意愿识别算法,实验证明,无论是基于SVM模型,基于阈值模型,与传统的协同过滤算法相比,在推荐准确度,召回率等推荐指标中都得到了一定程度的提升。通过对两种算法优缺点的分析,对这两种算法进行了混合,产生性能更强的SVM-阈值混合识别算法,该算法糅合了两种算法的优点,在保留了基于阈值模型算法的计算简便性基础上,发挥了基于SVM模型算法的准确性,实验结果表明,混合算法能带来比基于阈值模型算法更好的性能,却只需要SVM模型的三分之一的计算量。本文提出的算法可以作为下一代推荐引擎:场景引擎中的一个子模块使用。算法可以用于确定用户现阶段所处的场景,从而调用对应的推荐策略;或者通过场景的引导,将用户诱导至他们可能产生购物行为的场景上,以提升电子商务网站的转化率。