电子商务智能推荐.docVIP

电子商务智能推荐——基于流行服饰方向 智能推荐背景： （基于二维码的网上订餐推荐系统的设计与实现_刘子强） 随着信息科技的飞速发展，互联网产业也得到了迅猛的发展，相应的互联网 服务也得到了广泛的的普及。伴随着一系列互联网、物联网产物的崛起，大量的 信息相关资源出现在了网络，庞大无量的信息资源充斥着整个网络，随着而来的 就是过量的信息资源大大的干扰了用户们对自己关心信息的精确选择，能够迅速 锁定用户群体感兴趣的目标资源变成了一个困难之事，这就是通常所说的信息过 载问题。信息检索技术和搜索引擎的出现在一定程度上缓解了这一问题，但也只 是通过关键字等方法表面上完成了对信息的匹配，没有从根本上解决网络资源中 的信息过载问题。 电子商务作为互联网产业下的产物目前已经日益收到了人们的重视和青睐， 它已经改变了人们的生活习惯和消费方式。但是同时，这种新兴的商务模式也随 着信息过载问题的出现而面临到了一些干扰和阻碍。其一表现在用户群体不能够 在短时间内找到符合自己意向的商品，另一方面表现在电扇平台不能够有效的具 有针对性的向用户群体提出准群信息。基于上述两点，广大用户希望电商平台通 过更加人性化、智能化、简单化的方法对用户群体感兴趣的商品进行推荐，从而 使用户能够实现查看商品快速化、高效化、简洁化。 因此，为了解决电商平台下的商品信息过载这一问题，推荐系统应运而生。 在一个推荐系统中，我们利用用户的一些行为，通过数学模型的推演，我们可以 推测出用户可能喜欢的东西。而推荐系统可以定义为是一种针对用户输入的信 息，通过相应的算法来对推荐的信息进行自主分类，并最终将生成的推荐信息提 供给目标用户的系统 [14][15] 。 推荐算法介绍： （基于二维码的网上订餐推荐系统的设计与实现_刘子强） 非个性化介绍：统一推荐 个性化介绍：四类方法 协同过滤推荐算法 协同过滤推荐算法是目前电子商务领域最广泛，最流行，最成功的推荐算法，此种推荐算法是由 Group Lens 于 1994 年首次提出[18]。它的基本假设思想是：如 果某一用户有感兴趣的内容和事物，算法就会匹配与之相同具有共同喜好的其他 用户为该用户进行推荐，在此之后各用户个体都会接收到和他们兴趣喜好相同的产品推荐。一般的协同过滤推荐算法，通常用user 和 item 两项去处理推荐相关的业务。在这里 user 表示用户群体，item 表示产品。user 和 item 可以构成一个 二元矩阵，这个矩阵记录着 user 针对产品进行的标注评分等信息。这个评分矩 阵通常是用户群体进行显示指定，如果用户未进行显示指定的话，整个系统就会 隐式的推断生成相应的评分矩阵。这样，推荐系统就可以根据 R，在这里 R 指的是评分函数，来获得矩阵中每一个用户对商品的评分： R=user*item→Ratings 评分函数 R 的作用域是整个矩阵，推荐系统会先计算出目标用户最近相邻点的集合，之后进行评分，根据评分推测出用户的偏爱，实现推荐。 基于内容的推荐算法 基于内容的推荐算法是又一种被电商们接受和使用的推荐算法。这种方法是以协同过滤推荐算法为底层依据，在此之上进行了发展和改进。基于内容的推荐 算法是通过对产品和用户中提取的特征标签进行相关信息的推荐。一般情况下，某个商品的标签可以通过人为分析而给出，一个用户的标签可以根据他选择的商品的标签而给出。推荐系统通过目标用户群体对已经评分的项目的内容特征，进而通过向量空间进行建模，建立有区别的用户对文件数据进行描述，之后根据用户和商品的特征标签建立相似度，最终将相似度大的几个匹配的产品推荐给用户。这种方法忽略了商品和用户的很多特征，如电影的导演、制片人、演员，用户的地点、年龄、职业等，如何高效、合理、快速的利用这些特征来得到更加高效的推荐方法，这种方法也通常配称之为“商品与商品之间的交互”。 基于内容的协同过滤算法有着很大的相似度，在协同过滤算法的基础上进行 了延续。此种方法不需要具备相关领域的知识，所以可以实现推荐的高效化，质 量的高质化；此种方法也不会出现系统的冷启动问题，原因是人们在事先已经给 定了标签。但是，当系统的信息数据很大时，商品的与处理工作也是一个非常复 杂的过程。现如今，很多学者和相关研究人员将基于内容的推荐算法与协同过滤 组合，旨在通过组合的方式来发挥各自的优势，提高推荐系统的质量。 基于聚类分析的推荐算法 三种具体算法 1、K-均值聚类算法： 1先在 m 个数据对象中随意选取k 个对象当作原始聚类中心； 2其次，k 个对象之外的剩余对象，就需要按照这些对象和聚类中心进行 相似度匹配，之后再将这些对象分别发配给相似度最高的聚类； 3对每一个新获得的聚类的聚类中心进行计算，也就是这个聚类中的全部 对象均值，同时重复此过程，若标准测度函数收敛，停