基于web日志数据挖掘电子商务系统.docVIP

基于web日志数据挖掘的电子商务推荐系统 　　[摘要] Web数据挖掘是从Web文档和Web活动中发现并抽取感兴趣的、潜在的有用模式和隐藏的信息。基于Web数据挖掘的电子商务推荐系统可以满足电子商务未来发展趋势的需要。在本文中依据效率和准确性，建立了一个推荐系统模型，并对系统中各个模块功能及它们之间相互协调工作做了详细的描述；深入研究了电子商务推荐系统所使用的推荐算法，重点讨论了目前使用最为广泛的协同过滤推荐算法；在上述研究的基础上设计了基于聚类的协同过滤推荐系统，并对k-means聚类算法进行了改进；给出了系统试验结果，并对结果做出解释和评价。 　　[关键词] Web日志 数据挖掘 电子商务 关联规则 聚类算法 　　 　　Web数据挖掘是数据挖掘的一个重要分支，是随着数据库技术、人工智能技术和网络技术的发展而提出的。尤其是随着电子商务的不断运作，信息总量不断增加，更迫切需要有效的信息分析工具。 　　当今，电子商务正以其成本低廉、快捷、不受时空限制等优点而逐步全球流行。在这种新型的商务模式下，却遇到了网络信息量和基于Web的应用的一些阻碍。一方面，没有针对性地提供信息，访问者不能快捷地获得所需；另一方面，不能快捷地在站点上寻找到感兴趣的商品，用户容易转向访问其他站点，造成客户流失，这些对站点企业来说都是致命的。 　　基于上述原因，商务站点“个性化”营销孕育而生。而个性化所涵盖的内容中，针对用户的推荐服务是最为重要的，因为它能够改变这种“大众化”的方式，向用户提供个性化的信息。推荐系统模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程，因此可以有效保留用户，提高电子商务系统的销售；商家也可以通过推荐系统保持与客户的联系，重建客户关系。 　　本文将对电子商务推荐系统中的若干关键技术进行有益的探索和研究。 　　一、电子商务推荐算法及改进 　　电子商务推荐算法是整个推荐系统的核心，其推荐精度和推荐效率直接影响推荐系统的整体性能。目前典型的推荐算法有基于关联规则的推荐算法和基于用户的协同过滤推荐算法。 　　1.基于关联规则的推荐算法 　　基于关联规则的推荐算法可以分为离线的关联规则推荐模型建立阶段和在线的关联规则推荐模型应用阶段。离线阶段使用各种关联规则挖掘算法建立关联规则推荐模型，这一步比较费时，但可以离线周期进行;在线阶段根据建立的关联规则推荐模型和用户的购买行为向用户提供实时的推荐服务。 　　2.协同过滤推荐算法 　　协同过滤推荐是目前最成功的电子商务推荐技术，被应用到很多领域中。协同过滤根据用户的行为（如用户注册信息、用户评分数据、用户购买行为等）建立用户的行为模型，然后利用建立的行为模型向用户推荐有价值的商品。用户数据的收集在协同过滤推荐算法中占有重要地位，如何有效收集高质量的用户数据直接关系到推荐算法的推荐效果。 　　3.基于聚类的协同过滤算法概述 　　随着电子商务系统的进一步扩大，协同过滤推荐算法的实时性要求遇到了巨大挑战。在一个用户和商品均数以万计的系统中，同时为数以万计的用户提供实时的推荐服务越来越困难。 　　为了解决推荐系统中存在的上述问题，进行实时推荐，那么就需要提高推荐的速度。因此，提出了基于聚类的协同过滤推荐算法。将整个用户空间根据用户的购买习惯和评分特点划分为若干个不同的聚类，从而使得聚类内部用户对项的评分尽可能相似，而不同聚类间用户对商品的评分尽可能不同。根据每个聚类中用户对商品的评分信息生成一个虚拟用户，虚拟用户代表了该聚类中用户对商品的典型评分，将所有虚拟用户对商品的评分作为新的搜索空间，查询当前用户在虚拟用户空间中的最近邻居，产生对应的推荐结果。 　　4.改进的k-means聚类算法 　　(1)k-means聚类算法。k-means聚类算法是最简单同时也是非常有效的聚类算法。采用k-means聚类算法对整个用户空间进行聚类的主要步骤如下： 　　①随机选择k个用户作为初始的簇中心，将k个用户对项的评分数据作为初始的聚类中心。 　　②对剩余的用户集合，计算每个用户与k个聚类中心的相似性，将每个用户分配到相似性最高的聚类中。 　　③对新生成的聚类，计算聚类中所有用户对项的平均评分，生成新的聚类中心。 　　④重复以上2到3步，直到聚类不再发生改变为止。 　　(2)改进的k-means聚类算法。在k-means算法中，k个中心的选取一般为随机选取或依赖于领域知识。为了更好地选取k个中心以提高聚类的质量，需要对k-means算法进行改进。算法2-1给出了改进后的算法描述。 　　算法2-1改进k-means算法。定义：（推荐池T）设站点共有m个页面，共有n次用户的访问，由于采用协作推荐方法，那么推荐池T就是内存中的一个n×(m+l)的矩阵