论文部分内容阅读
随着互联网的不断普及和电子商务网站的快速发展,商品信息过载的问题变得愈发严峻。怎样使网站浏览者在面对大量的商品信息时快速有效地查找到其所需的商品,成为当前电子商务网站发展迫切需要解决的问题。电子商务推荐系统的出现为这些问题的解决提供了方法,但是目前已存在的一些电子商务推荐系统在实际运用中还存在着问题,推荐效率较低,有些还不能满足用户的个性化需求,因此,对于电子商务推荐系统和推荐技术的研究具有比较大的实用价值。推荐技术是电子商务推荐系统的研究重点,因为推荐技术的选取是否得当直接关系到推荐质量的优劣。当前国内外对于电子商务推荐技术的相关研究中,关联规则推荐技术是较为热门的,但在实际应用中,关联规则推荐技术也存在着一些问题,例如:发现关联规则难,在数据稀疏的情况下较难找到具体商品之间的强关联规则,算法在执行的过程中会产生大量的候选项集等,这些问题急需找到解决方法。本文针对关联规则推荐技术存在的上述问题,提出了一种关联规则推荐算法,即通过采用概念层次树与FP增长算法相结合的方法来进行关联规则挖掘,这种算法既可以解决数据稀疏以及商品具体概念繁多等问题,又在计算的过程中不会产生大量候选项目集,能够有效地克服Apriori算法的问题,在挖掘时间上有较大优势。作者使用NET平台C#语言实现了该算法,然后通过数据实验将该算法与Apriori算法以及单纯的FP增长算法进行了挖掘效率的对比,数据实验结果表明:结合概念层次树的FP增长算法相对于Apriori算法和单纯的FP增长算法来说同样具有正确性,并且挖掘效率更高,同时还可以发现出不同层次商品间隐含的有价值的关系,能够为个性化推荐模型提供更加丰富、更具普遍意义的知识,并且可以满足更多用户的需求。最后,本文以某一服装购物网站作为电子商务个性化推荐模型的应用背景,设计了基于结合概念层次树的FP增长算法的电子商务个性化推荐模型。个性化推荐模型设计的主要内容包括推荐模型的体系结构设计、推荐模型主要功能分析、推荐模型工作流程分析、推荐模型各个功能子模块的分析以及后台数据库设计等。该模型通过分析用户的历史购买记录来挖掘用户的兴趣偏好,然后在不断的更新学习中为用户提供准确的、实时的个性化推荐。