基于Prolog语言的商品推荐知识库模型

针对电子商务个性化推荐问题的特点,引入知识工程的树状表示法,将商品推荐中的三要素转化成描述树进行表达,建立基于Prolog语言的个性化推荐知识库模型。该模型可以根据顾客浏览商品先后次序求解,并与数据库动态地交互数据,实现在线购物的个性化营销。该模型相对独立,通过数据库接口共享电子商务系统数据,能够适应不同结构的电子商务系统。     

基于B/S三层架构的电子商务个性化推荐系统

为在电子商务系统中满足各类用户的个性化需求,有效合理的个性化推荐方法是一个值得研究的重要内容。本文基于B/S三层架构,应用TOPSIS多目标决策方法设计电子商务个性化推荐系统。首先对电子商务系统B/S三层架构进行了分析,然后以业务逻辑层为重点较为详细地介绍了TOPSIS算法在系统中的实现方式,最后通过实例描述了算法的推荐结果,希望能为电子商务系统设计起到一定的借鉴作用。     

用户显意识下的多重态度个性化推荐算法

个性化推荐技术在电子商务系统中得到了广泛的应用。针对现有商品特征算法不能反映出用户对商品特征认识的差异问题,提出了一种用户显意识下的多重态度个性化推荐算法,引入显意识及多重态度的权值,从不同角度去描述消费者心理特征,使推荐结果更符合用户的需求。实验对比结果表明,用户显意识下的多重态度个性化推荐算法能够提高商品特征推荐算法的推荐精度。     

基于信息流的实时电子商务推荐策略

针对企业对实时个性化推荐的需求,基于信息流的表达、生成和分析对顾客访问记录进行了深层次挖掘,研究了电子商务系统实时个性化推荐策略。提出了包含信息流定义、信息流评价、知识匹配、网站动态组织等算法在内的个性化推荐算法。基于J2EE技术完成了包含客户端、服务器端和存储系统在内的实时动态个性化推荐系统的结构设计。实例表明,随着训练次数的增加推荐准确度呈升高的趋势,并优于关联规则法。     

一种基于商品基因的个性化推荐模型维护策略

个性化推荐技术在电子商务系统中起到举足轻重的作用。目前主流的基于内容的推荐技术和协同过滤推荐技术都忽略了商品的特殊属性对用户购买行为的影响,因此提出了基于商品基因的个性化推荐模型解决了这一问题。推荐模型结合用户兴趣的动态变化,通过对模型中基因库的维护,实现用户近期兴趣追踪,从而进一步提高用户满意度及推荐精度。     

一种基于用户交易行为的隐语义模型推荐算法

通过分析目前推荐技术在电子商务系统中的应用优势,并针对当前产品交易系统的无评分、产品量大和难以分类等现状与问题,设计了一种基于用户交易行为的隐语义模型推荐算法。该算法从用户的隐式交易行为出发,采用隐语义模型推荐算法,构建用户-产品兴趣模型,并加入K均值算法划分隐式特征聚类。实验验证表明,该算法在满足用户的个性化需求的同时,可提高电子商务系统的产品推荐效率。     

一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。     

个性化推荐中一种新的相似性计算方法

个性化推荐是电子商务系统中最重要的技术之一,随着用户数目和商品数目的日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法存在各自的弊端,导致推荐系统的推荐质量急剧下降。针对传统相似性度量方法的不足,提出了一种新的基于模糊相似优先比的相似性度量方法,根据项目之间的相似性预测用户对未评分项目的评分,在此基础上,采用相似优先比计算目标用户的最近邻居。实验表明,该度量方式能够提高个性化推荐系统的推荐质量。     

基于Google Maps的农资电子商务系统

目前电子商务的网站有很多,但是农资电子商务网站却不是很常见,本文提出了一种构建农资电子商务系统的方法,系统的最大特点是加入了地图服务,并且整合了很多系统上的相关数据,如农业专家系统和农业比价系统．在本文中,介绍了农资电子商务系统的设计方法,并详细介绍了地图基本功能和个性化推荐功能的实现．     

一种结合基于项目和用户的个性化推荐算法

推荐系统是电子商务系统中最重要的技术之一.协同过滤技术是当今应用最普遍的个性化推荐算法.针对用户评分数据的极端稀疏性和算法的可扩展性,首先利用云模型计算项目间相似度来预测用户对未评分项目的评分,来增加用户评分数据,再根据项目分类信息将用户-项目评分矩阵转换为用户-类别矩阵,降低了评分矩阵的维度,最后利用云模型计算用户间相似度,得到目标用户的最近邻居.实验结果表明,该方法具有较小的MAE,提高了推荐系统的推荐质量.