论文部分内容阅读
作为信息消费与传统零售相融合的产物,网络购物顺应了向新型消费升级的发展趋向,已成为居民常态化的购物方式。与此同时,电商网站中的信息也在呈爆炸式增长,“移动电商时代”的来临更预示着用户数和商品数在未来仍将持续增长,商品推荐系统也由此面临着更为严峻的考验。已有的推荐算法大都没有考虑所推荐商品的价格是否符合用户的购买能力,折扣是否符合用户预期。本文认为商品价格与折扣是影响用户购买决策的重要因素之一,因此是商品推荐算法应该重点考虑的影响因子。因此,本文提出一种基于用户购买力和协同过滤的混合推荐算法。该方法考虑待推荐商品的价格是不是在用户承受范围之内,是否符合用户的购买力;以及待推荐商品的折扣是否符合用户的预期,是否能促进商品销售。主要内容包括:1).提出一种商品价格对用户购买力的影响系数计算方法。该方法首先对于给定的商品,根据该商品的价格及其所属类别的商品的平均价格来计算该商品的价格水平因子。然后对于给定的用户,根据该用户的购买历史记录中商品的价格水平因子来计算用户的购买力因子。最后融合以上两者,对于给定的商品及用户,提出一个量化的价格影响系数函数来计算该商品的价格与该用户购买力的契合程度。2).提出一种商品折扣影响系数计算方法来量化商品折扣对用户吸引力的大小。该方法根据已有的商品折扣理论,从用户消费行为学的角度,计算商品折扣与用户购买期望折扣的契合程度。3).提出一种融合商品价格影响系数、商品折扣影响系数和协同过滤推荐评分的混合推荐算法。该方法假设待推荐商品的价格需要最大程度地满足用户的购买力水平,待推荐商品的折扣需要最大程度地满足用户的购买期望折扣,而且该商品需要与用户曾经购买过的商品相似;即给用户推荐与其购买过的商品相似且价格、折扣符合用户期望的商品。4).本文爬取了来自亚马逊的包含商品价格、种类均价、商品折扣、用户-商品评分等信息的标准数据集。在该数据集上,实现了五种基准算法,并与本文方法进行了对比分析。实验结果表明,本文提出的算法不仅在评分预测方面(MAE, RMSE)还是在排序指标(NDCG)上均取得了较显著的推荐效果提升。这也表明了本算法考虑用户特定的购买力来进行商品推荐是可行的,能够提高推荐系统的推荐成功率。