论文部分内容阅读
随着互联网的快速发展和电子商务技术的普及，传统行业产生了深刻变革。目前，网络购物为人们生活提供了诸多便利。用户可以在电子购物平台（如亚马逊、京东、淘宝等网站）上方便快捷地购物。为了提高购物网站的用户体验和商家收入，个性化商品推荐技术及系统得到了快速发展。商品推荐系统不同于传统的搜索引擎技术，它更加注重用户的个性化需求，也更加注重时效性和深化用户与系统的交互。 基于协同过滤的矩阵分解算法被证明具有良好的推荐效果，并被广泛应用于推荐系统中。本文充分考虑商品推荐中结构数据和异构数据的特点，详细论述了基于层次群组信息的矩阵分解模型和基于价格信息的矩阵分解模型，并通过实验分析了这两类模型的推荐效果。本文的主要创新点和意义如下： (1)提出群组信息的概念，论证了群组信息对商品推荐的积极作用;提出了一种基于贪心假设的群组生成算法算法GC;提出基于群组信息的矩阵分解模型SBMF，接着又进一步提出层次群组信息，并将基于群组的矩阵分解模型SBMF扩展到基于层次群组信息的矩阵模型UGMF，IGMF和HGMF。对比实验结果表明，考虑群组信息（或层次群组信息）的矩阵分解模型能显著提高商品推荐的命中率。 (2)引入用户满意度和商家收益的概念，并设计两个全新的商品推荐评价指标;详细分析了同时优化推荐命中率、用户满意度和商家收益的可行性;提出基于用户评价信息和商品价格信息的矩阵分解模型HSR-1和HSR-2。对比实验结果表明，相较于当前国内外已有的相关推荐算法，HSR在提高推荐的命中率和用户满意度的同时，显著地提高了商家收益。