基于购物特征分类的混合推荐算法研究.pdfVIP

摘要

基于购物特征分类的混合推荐算法研究

随着5G时代革新浪潮的到来，互联网经济的产业化、规模化已经迎来崭

新的篇章。5G技术将为消费互联网时代的蓬勃与发展给予更强的技术支撑、

更全的消费领域以及更快的用户体验。也因此，在消费互联网时代，人们的生

活受到了极大地影响以及发生了极大地变化。人们将消费习惯的重心不断地转

移到电商平台。现实生活中，人们的生活与网络越来越息息相关，越来越紧密

联系，越来越密不可分，从而越来越离不开网络。网上购物不仅能极大地便利

人们的生活，丰富人们的娱乐方式，带来有快感的消费体验，尤其在疫情期间

更是功不可没，而且也是重要的经济增长模式之一。与此同时，各大电子商务

平台的网站上每天不断更新和存储着日均PB级的用户网上行为等交互式记录，

这些交易记录等数据隐藏着巨大的商业价值。对这些有价值的信息加以科学研

究和利用，将有效改善用户的购物迷航和提高电商的服务质量。其中，推荐系

统的应用最为普遍。

本文对用户历史行为重点挖掘，对表述购物意愿力特征的数据加以分类提

取，针对特征自身特点以特定的算法取得预测评分，提出增强评分矩阵协同过

滤推荐算法（EPR_IBCF），在用户具有比较强烈的购物意愿前提下，对目标客

户进行准确推荐其感兴趣的商品，从而使用户减少购物迷茫的同时能够增强更

好的购物体验感。主要的研究工作如下：

本文首先通过基于项目的协同过滤推荐算法（IBCF）建立有潜在兴趣商品

间的用户相似度矩阵，得到基础型矩阵（BRM）的预测评分；其次以受限玻尔

兹曼机深度挖掘有意向购买特征以及以惩罚因子作为增强型矩阵ERM的评价权

重，对特征加以分类并加权表征用户购买意愿力的商品画像，取得ERM的预测

评分。最后，将BRM和ERM混合加权以得到最终评分，再以TOP-N结果向购

买意愿较强的目标用户推荐排名靠前的商品，有效解决了用户感兴趣商品排名

靠后，且购买次数很少或不被购买的局面。以此来达到目标用户更准，购买意

愿力较强的推荐宗旨。实验结果表明：与传统的商品协同过滤IBCF推荐算法

对比，EPR_IBCF算法的推荐准确率提升2.68%，召回率提升4.61%，综合值F1

提升3.39%。

关键词：

相似度；惩罚因子；推荐系统；协同过滤；推荐算法；评分矩阵。

ABSTRACT

ResearchonHybridRecommendationAlgorithm

basedonShoppingFeatureClassification

Withtheadventofthe5Gera,theindustrializationandscale

oftheInternetEconomyhasusheredinanewchapter.5Gtechnology

willprovidestrongertechnicalsupport,morecomprehensive

consumptionfieldandfasteruserexperienceforthevigorousand

developmentoftheconsumerInternetera.Therefore,intheeraof

consumerInternet,peopleslifehasbeengreatlyaffectedandhas

changedgreatly.Peopleareconstantlyshiftingthefocusof

consumptionhabitstoe-commerceplatform.Inreallife,peoples

lifeismoreandmoreinseparablefromthenetwork,moreandmore

closelylinked,moreandmoreinseparablefromthenetwork,soitis

moreandmoreinseparablefromthenetwork.Onlineshoppingcannot

on