实体卖场即时商品推荐系统.pptVIP

實體賣場即時商品推薦系統 報告人 : 林亞輪 作者 : 林亞輪a、張善斌ba嶺東科技大學 資訊管理與應用研究所 研究生b嶺東科技大學 資訊管理與應用研究所 副教授 * 大綱 緒論 文獻探討 研究設計 系統實作 結論 * 緒論-研究背景與動機 一個典型的推薦系統是在合乎使用者需求下推薦一個適當的項目給指定的使用者(Paul et al, 1997)。 推薦系統能夠幫助消費者在眾多且眼花撩亂的產品中快速找到自己所需要的產品( Badrul et al, 2002 ) 。 截至2011第一季為止，台灣的智慧型手機出貨佔比已攀升為44% (IDC, 2011)。 * 緒論-研究目的 提升實體賣場產品資訊化，並達到虛實整合之目的。 建立個人化服務，依照顧客不同之喜好推薦適當的產品，增加顧客忠誠度。 提供消費者在實體賣場更為便利的消費環境。 * 文獻探討-推薦系統 推薦系統在實作上大致可分為以下三種(Adomavicius Tuzhilin,2005)。 內容過濾式(Content-based Filtering) 協同過濾式(Collaborative Filtering) 混合式(Hybrid-based) * 文獻探討-內容過濾式(Content-based Filtering) 以使用者過去使用過的各項內容資訊作為推薦的依據(Adomavicius Tuzhilin, 2005)。 透過資料庫裡豐富的資訊來對產品的內容描述(例如：產品與服務等)並進行建議(Melville et al, 2001)。 * 文獻探討-協同過濾式(Collaborative Filtering) 協同過濾式推薦系統也被稱為社會過濾(Social Filtering)，此方法最早是由Goldberg等人所提出(Goldberg et al, 1992)。 藉由喜好相仿的消費者進行推薦使用者可能感興趣之產品項目或資訊(張哲銘，2003)。 * 文獻探討-混合式(Hybrid-based) 混合式推薦系統(Hybrid Recommender Systems)就是結合兩種或兩種以上的資訊篩選技術並使這些技術能夠協同作業(Burke, 2007)。 其中已有許多混合式推薦系統被證明能夠有效解決預測精準度與效能等問題(Mobasher, 2007)。 * 文獻探討-關聯法則探勘(Association Rule Mining) 關聯法則探勘可以為推薦系統產生推薦規則，找出顧客交易紀錄中，各商品間同時購買之關聯性(Agrawal et al, 1993)。 Apriori主要是利用上一個階段挖掘出的大型項目集來產生下一個階段的大型項目集(Srikant Agrawal, 1994)。 * 研究設計 於實體店面透過掃描QR碼的技術連結到後端的商品推薦系統，藉由商品推薦系統對消費者做個人化推薦。 利用Apriori演算法來找出與消費者感興趣相關連的商品，藉此進行個人化Top-N推薦。 篩選與目標商品相關聯的交易紀錄。 找出與目標客戶感興趣相關連的產品。 個人化Top-N推薦產品項目。 * 研究設計-流程圖 * 系統實作 步驟1：從交易紀錄中篩選相關資料，以產品P37為例。 交易編號 產品編號 S21 P18, P37, P43 S26 P6, P18, P25, P37, P40 S49 P18, P25, P37, P40, P43 S55 P18, P25, P29, P37 S57 P18, P25, P37, P40 S96 P18, P29, P37, P40 S113 P6, P29, P37, P40 S148 P6, P25, P37 S151 P18, P37, P40 S174 P6, P18, P25, P37 * 系統實作 步驟2：計算產品項目支持度與信賴度，假設minisup=4、minicon=0.6。 透過步驟1計算每個候選1-項目個數的項目集支持個數，找出候選項目集C1。 * 項目集 支持個數 {P6} 4 {P18} 8 {P25} 6 {P29} 4 {P37} 10 {P40} 6 {P43} 2 minisup=4 minicon=0.6 系統實作 找出C1後刪除支持個數小於支持度的項目集，產生所有大型項目集的集合L1。 * 項目集 支持個數 {P6} 4 {P18} 8 {P25} 6 {P29} 4 {P37} 10 {P40} 6 minisup=4 minicon=0.6 系統實作 接著利用L1產生候選項目集C2，並計算每個候選2-項目集的支持個數。 * 項目集 支持個數 {P6,P18} 2 {P6,P25} 3 {P6,P29} 1 {