论文部分内容阅读
在经济发展迅速的今天,互联网和电子商务成为人们生活中的必要角色。然而,它带来了生活的便利,也造成了信息的膨胀与冗余,面对海量信息,用户选择困难的问题日趋明显。如何用简单的检索手段,提供准确的、符合用户需求的信息,已经成为大数据时代面临的问题,推荐系统的概念也随之产生。本文在调研了国内外的成功案例和学习了相关技术文献的基础上,提出以用户画像为基础,利用贝叶斯分类器技术,设计出符合当前业务逻辑的基于用户画像的推荐系统。与已有的推荐方法集混合以后,完成了更准确的推荐功能。本系统由构建用户画像、用户画像可视化、贝叶斯自动评分和混合推荐列表四部分组成。在第一部分构建用户画像阶段,本系统在数据抽取过程使用多维度收集方式,利用实时计算框架Storm对海量数据进行分类收集处理,同时,再调用已经封装好的用户行为预测接口,将得到的数据进行分析与预测,获得用户的偏好列表;在用户画像可视化部分,为了满足非技术人员也能充分了解每个用户的基本信息、行为信息和购买信息,采用SpringMVC框架和Bootstrap、EasyUI和ECharts等插件搭建一个多维度动态用户可视化的平台;在贝叶斯自动评分部分,在原有的推荐策略集的基础上,增加一种基于商品的历史评论对商品打分的策略,然后混合到已有的推荐结果之中,展现给用户,达到千人千面的效果,本系统在此阶段利用贝叶斯理论、贝叶斯分类器的原理和Hadoop的分布式框架对商品的历史评论进行分析,再对商品进行打分,最后获得按照得分排序后的商品列表;在混合推荐列表阶段,将企业原有的推荐结果集获得的推荐结果、用于偏好预测推荐结果和自动评分的推荐结果按照权重比例进行混合,得到综合商品推荐列表,展示给用户。抓取企业一段时间的数据,经过测试后测试得出结论:此系统的应用,使得推荐的商品置信度、服务和评价均优良的商品排在推荐商品列表的前边,由于个性化推荐有了明显的改进,产生的点击、曝光和购买等行为增长的更多,为企业带来了更多的效益,进一步验证了这个推荐策略的有效性。