论文部分内容阅读
随着信息科技的不断发展,电子商务作为一种新的交易平台为人们提供了实体店没有的方便与快捷。面对海量的电子商品信息,消费者往往很难找到自己想要的商品,推荐算法和推荐系统的出现解决了这一难题。随着用户的注册人数增多和商品数量的不断增长,电子商务公司希望通过分析消费者的购物兴趣,来细分消费者市场,并提供消费者满意的产品以提升交易额。这时就需要建立用户兴趣模型,来挖掘消费者的购物兴趣。本文主要包括以下三个方面的工作:(1)为了研究消费者的购物兴趣特征,创建了两个用户兴趣模型:基于VSM的用户兴趣模型(记为VSMUIM)和基于LDA的用户兴趣模型(记为LDAUIM)。VSMUIM主要分析消费者的Web浏览记录和商品购买记录,通过这两种记录来分析用户的购物兴趣,而LDAUIM是从消费者的购物评论中分析消费者所喜欢的商品类型。(2)通过引入用户兴趣向量,对传统的UCF算法进行改进,得到CFBUIV算法。在协同过滤算法中,由于“用户-物品矩阵过于稀疏”,导致推荐效果不佳。从物品的材料、款式和风格中提取用户对物品的偏好特征,以填充该矩阵,减小了矩阵稀疏的问题。实验表明CFBUIV算法的推荐性能要高于UCF算法。(3)通过引入域标记,对传统的FP-growth算法进行改进,得到FPTIA算法。在关联规则算法中,由于置信度-支持度框架的缺陷,导致生成很多无价值的规则。使用IR和Kulc两个指标,对规则进行筛选,可以减少无趣的规则。在FPTIA算法中,为每一个节点设置一个频繁指针域和一个标记域,频繁指针开始为空,随着FP树挖掘的进行,节点的频繁指针域指向条件FP树,同时将标记域设置为1,减少了对同一条路径的重复扫描。实验表明FPTIA算法比FP-growth算法的执行效果更好。本文研究的用户兴趣模型与推荐方法,具有较高的预测精度和推荐效果。不仅适用于电子商务,还可以应用到客户信息管理、网络舆情监测和新闻推荐等领域,具有一定的理论价值和实用价值。