推荐技术在电子商务中的应用研究

本文介绍了推荐技术在电子商务中的应用研究概况,详细分析了推荐技术中常用的算法及其性能评估的指标,并对未来推荐技术在电子商务中的研究热点进行了展望。     

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架.针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法.首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐.实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线.该推荐算法能够满足不同购物偏好用户的推荐要求.     

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。     

一种改进的协同过滤推荐算法

目前,协同过滤算法在电子商务中得到了广泛的应用。伴随着网络上客户和产品的数量剧增,推荐系统的推荐效率成为了推荐系统在电子商务中应用的一大挑战。因此,提高协同过滤算法的效率变得越来越重要。本文开发了一种基于Hadoop的协同过滤推荐算法,实现了用MapReduce分布式计算框架来提高推荐算法的效率,同时也扩大算法的可扩展性。实验表明:基于Hadoop集群的推荐算法在推荐系统的可伸缩性和效率方面都有极大的优化。     

基于隐式偏好的多目标推荐算法研究

推荐的准确性(accuracy)和多样性(diversity)是推荐算法研究的二个重要指标,能够最大程度地满足用户的喜好.然而,基于准确性的推荐将导致推荐结果过于聚焦集中在某类特征上,使得多样性降低,导致用户选择的广度不足而整体效果不佳.针对推荐算法的两个指标之间的平衡以满足用户的需求,本文采用最大预测评分和最大内部相似度差异的两目标模型,选取极值点和膝点为隐式偏好,利用隐式偏好改进推荐方案搜索优化策略,提出了一种基于隐式偏好的多目标推荐算法.该算法利用切比雪夫距离在迭代过程中对偏好点动态标定,以引导个体收敛于隐式偏好区域,得到具有不同偏好的推荐方案.在Movielens和Netflix数据集上实验结果表明,与Item-based协同过滤推荐算法相比,该算法的推荐结果在确保准确率性能情况下多样性平均提升了38%和33.4%,新颖度平均提升了58.6%和125.4%,降低了多目标推荐算法的复杂度,有效解决了实际应用问题.     

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

基于大数据技术的电子商务个性化信息自动推荐算法应用

当前个性化推荐算法应用因未构建增量更新推荐模型,对电子商务平台的大数据进行处理,导致推荐结果不能及时更新,严重影响用户体验.因此,提出基于大数据技术的电子商务个性化信息自动推荐算法.首先对平台中用户与项目的相异度进行计算,利用计算后的相异度矩阵构建数据增量更新模型;然后,将该模型作为个性化推荐模型,引入IU-UserCF推荐算法,提高预测准确性;最后以电商物流为应用对象,将所提方法引入应用进行探索.实验对比结果表明,所提方法在电子商务应用中有着更加出色的推荐效果.     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

基于多目标优化策略的在线学习资源推荐方法

目前在线学习资源推荐较多采用单目标转化方法,推荐过程中对学习者偏好考虑相对不足,影响学习资源推荐精度.针对上述问题,文中提出基于多目标优化策略的在线学习资源推荐模型(MOSRAM),在学习者规划时间内,以同时获得学习者对学习资源类型偏好度最大和难度水平适应度最佳为优化目标,设计具有向邻居均值学习能力和探索新区域能力的多目标粒子群优化算法(NEMOPSO),提出以MOSRAM为核心的在线学习资源推荐方法(NEMOPSO-RA).不同问题规模下融合经典多目标优化算法的推荐方法对比实验表明,NEMOPSO-RA可以有效提高在线学习资源的推荐精度和推荐性能.     

基于数据挖掘技术的电子商务旅游线路推荐系统

近年来,电子商务推荐系统趋于成熟,并得到了广泛的应用.电子商务旅游线路推荐系统,能够在信息数据分析的基础上,实现个性化的旅游线路设计.在具体的推荐系统设计中需要处理好实时性与精度这对矛盾,基于数据挖掘技术的电子商务旅游线路推荐系统,运用关联规则算法,获得各个景点之间的关联关系,能够实现较为理想的旅游线路推荐效果.     

基于综合因素的服装智能推荐算法研究

个性推荐算法在各类电商系统商品推荐,特别是图书推荐和电影推荐中得到了广泛应用与落地,服装的推荐也取得了比较好的效果。但是,基于个人衣橱的并结合当天的天气、特殊场合等实际因素的动态推荐系统的应用却比较缺乏,本文搭建了用户和服装两个模型,提出了一种基于综合因素的服装智能推荐算法,可以很好的解决人民日常服装的穿搭问题,具有极大的应用前景。     

新闻推荐算法可信评价研究

随着AI、5G、AR/VR等新技术的快速发展,内容类应用如电子商务、社交网络、短视频等层出不穷,导致信息过载问题日益严重。人工智能技术的发展推动了智能算法的爆炸式运用,作为智能算法的一种,推荐算法在大数据、应用场景和计算力的推动下,通过信息过滤技术,为用户提供适应兴趣及行为的个性化及高质量的推荐服务,逐步提高了用户的使用体验、内容分发效率,在一定程度上缓解了信息过载的问题。但推荐算法的潜在偏见、黑盒化特性及内容分发方式也逐渐带来了决策结果不公平性、不可解释性,信息茧房、侵犯用户隐私等安全挑战。如何提高推荐算法的可解释性、公平性、可信程度等越来越受到国内外政府监管部门、产业及学术界的重点关注,推荐系统和推荐算法也由此从发展期进入管制期。为此,本文针对新闻推荐领域,分析推荐算法的稿件画像、用户画像、推荐推送、反馈干预和人工复审等关键要素,围绕推荐算法生态的参与者,如内容生产者、受众、算法模型、新闻平台,从公平性、可解释性和抗抵赖性三个方面提出了一种新闻推荐算法可信评价体系,并进行定量或定性分析。公平性、可解释性和抗抵赖性是正相关关系,当公平性和抗抵赖性越强、可解释程度越高,新闻推荐算法的可信度越高。希望弥补新闻推荐算法领域的可信研究的空白,建立可信推荐算法生态,加速安全推荐系统的建立和推广,同时为智能算法可信研究提供参考,为智能算法的监管和治理提供思路。     

基于人工智能推荐算法的智能家庭社会服务机制

随着社交网络时代的来临,社交网络的类型逐渐覆盖到不同的用户群体,对不同用户群体进行社交网络需求的潜力挖掘是目前的研究热点。本文研究基于人工智能推荐算法构建家庭社交网络的多级圈层结构,并以此提出家庭和亲属的智能推荐算法,以智能算法和家庭这一特殊群体的社交模式设计由个人信息模块、基本功能模块、家庭信息模块、应用服务模块和开放API模块所构成的家庭社交网络系统。研究结果表明,在数据量达到一万以上时,智能推荐算法的执行效率是非智能推荐算法的3倍左右,集群节点数对执行效率有显著影响。此外,智能推荐算法下的社交系统表现出良好的使用效果,这说明智能推荐算法具有较高的实用性。通过对家庭社会服务进行数据化的推荐算法研究,以及对算法执行效率进行定量验证,为社交网络服务机制提供了数据支持,验证了家庭社会服务的市场潜力。     

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。     

结合用户信任模型的协同过滤推荐方法研究

协同过滤推荐是当前最成功的推荐技术之一,在电子商务推荐服务中得到了广泛的应用,它根据和目标用户具有相似行为的用户对项目的评价来进行推荐。鉴于传统的协同过滤推荐算法过于强调相似性的作用,并且和用户的认知习惯矛盾,引入了社会学中较成熟的信任机制来改进传统算法。实验结果表明,改进方法是有效的,它和传统的协同过滤推荐算法相比有更好的推荐质量。     

SVD推荐算法在传统服饰商城的应用

随着互联网的普及和信息技术的发展,人们日常生活可以接触到的信息越来越丰富,产生信息数据的速度也越来越快。在拥有海量信息数据的同时,过量的信息不可避免地导致了“信息过载”问题,而推荐系统正是解决这个问题的有效方法之一。首先介绍了奇异值分解(SVD)和SVD推荐算法之间的联系,然后叙述了SVD推荐算法的思路并给出SVD算法模型的最优损失函数。在此基础上,建立一个传统服饰商城的推荐系统,利用158组样本数据测试该系统,得出推荐系统的均方根误差为0.9994,平方绝对值误差为0.7366。此外还计算了样本数据的误差百分比,结果表明绝大多数测试样本的误差百分比在30%以内。基于SVD推荐模型的特点和实验结果得出,SVD推荐模型适用于小型电商平台的商城用户的个性化推荐。     

一种改进的协同过滤推荐算法

推荐系统在电子商务中应用广泛,协同过滤是推荐系统中应用最为成功的推荐技术之一。随着电子商务系统数据不断增加,用户-项目评分矩阵稀疏性问题日趋明显,成为推荐系统的瓶颈。本文提出基于LDA的协同过滤改进算法,提升稀疏评分矩阵下的推荐质量。首先,根据用户与项目评分矩阵,建立LDA模型,得到用户-项目概率矩阵,作为协同过滤的原始数据;然后根据属性对项目聚类,对用户-项目概率矩阵进行裁剪;最后,考虑上下文信息,在传统协同过滤相似度计算基础上,通过引入时间因子函数改进相似度计算公式。在Movie Lens数据集上的实验结果表明,本文提出模型的MAE指标优于传统协同过滤算法。     

Research on entropy-based collaborative filtering algorithm and personalized recommendation in e-commerce

Based on the introduction to the user-based and item-based collaborative filtering algorithms, the problems related to the two algorithms are analyzed, and a new entropy-based recommendation algorithm is proposed. Aiming at the drawbacks of traditional similarity measurement methods, we put forward an improved similarity measurement method. The entropy-based collaborative filtering algorithm contributes to solving the cold-start problem and discovering users’ hidden interests. Using the data selected from Movielens and Book-Crossing datasets and MAE accuracy metric, three different collaborative filtering recommendation algorithms are compared through experiments. The experimental scheme and results are discussed in detail. The results show that the entropy-based algorithm provides better recommendation quality than user-based algorithm and achieves recommendation accuracy comparable to the item-based algorithm. At last, a solution to B2B e-commerce recommendation applications based on Web services technology is proposed, which adopts entropy-based collaborative filtering recommendation algorithm.     

一种柔性的电子商务推荐系统*

首先概述了电子商务推荐系统的相关研究工作,指出目前的推荐系统结构不够灵活、柔性,然后运用柔性理论对电子商务推荐系统进行了柔性分析,进而提出了一个柔性的电子商务推荐系统。该系统通过策略模块去完成推荐需求与实现之间的映射,通过这个映射完成不同的推荐服务。系统的设计遵循构件化的原则,以做到随着策略的改变能够灵活调整。     

结合商圈位置区域模型的商品推荐算法

为解决电子商务冲击下线下销售萎靡及互联网"信息爆炸"下用户挑选商品时耗时耗力等问题，本文引入商圈位置区域模型，即基于圆形过滤方法与改进的基于分区的DBSCAN密度聚类算法对浙江省某一行业全域范围下25万商户订单数据进行地理位置特征分析，并结合时间衰减参数进行传统推荐算法改进，提出了面向商圈流行度的商品推荐算法与面向商圈相似度的协同过滤算法.实验结果表明，算法在推荐准确率上明显优于传统推荐算法，且一定程度上缓解了冷启动和推荐商品惊喜度不足的问题，有其实用价值与研究意义.