基于用户行为数据的电网企业营销推荐系统设计

由于目前方法未能分析和挖掘电网用户行为,使用户的商品属性偏好与预计营销偏好存在差异,导致电网企业营销推荐结果不理想,为此提出基于用户行为数据的电网企业营销推荐系统。通过系统硬件和软件相互协作设计,从用户历史行为出发,优先分析处理用户的历史交互行为,对用户的行为喜好进行分类,挖掘用户的商品属性偏好,实现用户近期需求预测以及意向商品推荐。实验结果证明,所设计系统能够有效提升推荐速率和用户满意度,获取效果较好的推荐结果。     

自注意力机制的属性异构信息网络嵌入的商品推荐

基于异构信息网络嵌入的推荐技术能够有效地捕捉网络中的结构信息,从而提升推荐性能.然而现有的基于异构信息网络嵌入的推荐技术不仅忽略了节点的属性信息与节点间多种类型的边关系,还忽略了节点不同的属性信息对推荐结果不同的影响.为了解决上述问题,提出一个自注意力机制的属性异构信息网络嵌入的商品推荐(attributed heterogeneous information network embedding with self-attention mechanism for product recommendation, AHNER)框架.该框架利用属性异构信息网络嵌入学习用户与商品统一、低维的嵌入表示,并在学习节点嵌入表示时,考虑到不同属性信息对推荐结果的影响不同和不同边关系反映用户对商品不同程度的偏好,引入自注意力机制挖掘节点属性信息与不同边类型所蕴含的潜在信息并学习属性嵌入表示.与此同时,为了克服传统点积方法作为匹配函数的局限性,该框架还利用深度神经网络学习更有效的匹配函数解决推荐问题.AHNER在3个公开数据集上进行大量的实验评估性能,实验结果表明AHNER的可行性与有效性.     

基于模糊兴趣集和智能Agent的推荐系统模型研究

提出了一种结合用户模糊兴趣和智能多Agent的电子商务推荐系统模型,利用智能Agent获取用户对产品属性的喜好度和相应权重,依此建立起清晰的用户兴趣模型.在智能多Agent技术下建立一种多属性综合评价机制,采用逼近理想解法(Topsis法)对候选产品进行实时处理,并根据排序结果产生Top-N推荐.     

基于商品属性隐性评分的协同过滤算法研究

在分析目前电子商务推荐系统及算法存在问题的基础上,提出了一种准确的、实时的、基于Web日志的Internet电子商务推荐算法。基于客户浏览行为,设计了CGA（Customer-Good-Attribute）模型,综合考虑客户浏览路径和时间、商品属性及其在网页中的分布等因素,研究了客户对商品属性的隐性评分函数,给出了算例说明,讨论了基于商品属性的协作过滤算法。该算法已成功应用于电子商务智能模拟系统中。     

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BP神经网络的即时在线推荐系统

推荐系统是一种方便用户网上购物的辅助工具.通过向用户自动推荐其感兴趣的商品,推荐系统可以节省用户的商品搜索时间并增加网站销售额.提出一种基于BP神经网络的即时在线电子商务推荐系统,对用户近期购物信息进行隐式收集,并通过BP神经网络对用户近期的购物兴趣进行分类判断,最后根据兴趣判断结果进行相关商品推荐.实验平台上的测试表明基于神经网络的电子商务在线推荐系统是可行的.     

基于贝叶斯动态预测模型的商品推荐方法

传统的电子商务推荐系统虽然考虑到个性化的推荐,但不能很好的描述用户行为,使得个性化的推荐略显不足。本文提出基于贝叶斯动态预测的模型,并结合Agent技术,很好地建立了用户行为预测模型。该方法以用户历史数据为基础,并结合用户的实时行为建立用户行为预测模型。本文将此方法运用于商品推荐系统中,实验证明此方法能高效地为客户产生个性化的商品推荐集合,优于某些传统方法。     

基于模糊聚类的协同过滤推荐方法

推荐系统是利用用户的历史偏好信息实现个性化服务的系统,它已经成为电子商务和信息获取领域中的重要应用。文中提出了一种通过模糊聚类的方法将项目属性特征的相似性与基于项目的协同过滤推荐技术相结合的推荐方法,首先应用模糊聚类技术对项目聚类,得到项目在属性特征上的相似关系群,然后与用户一项目评分矩阵中的协同相似关系群组合得到综合相似关系群,最后,利用综合相似关系群为目标用户推荐项目。实验结果表明,该方法不仅可有效改善基于项目的协同过滤推荐算法面临的“冷启动”问题,而且确实提高了推荐系统的推荐精度。     

基于用户多样性偏好的top-N推荐算法

传统推荐算法主要关注推荐准确性,而用户对项目的不同偏好和多样性需求也影响着用户体验和满意度。针对该问题,提出了一种新的算法,在计算项目相似度时结合了用户对不同项目的评分差异,以此可以提高项目相似度计算的准确性,根据用户历史评分数据和项目类别数据得到用户-类别权重矩阵,一方面以此计算基于熵的多样性,另外根据用户对项目的兴趣计算公式,生成一个降序排列的初始推荐序列,根据用户偏好误差门限,并结合用户-类别权重矩阵实现基于用户偏好的推荐,最终生成[N]个推荐的项目,同时保证准确率和多样性的前提下,提高用户满意度。在数据集movielens的多个版本上,与多个经典算法比较,实验结果表明,提出的算法可以有效提高推荐精度和用户满意度。     

基于数据属性与用户聚类的淘宝网络服装推荐研究

淘宝是我国最大的网购平台,在为广大消费者提供多种多样的商品的同时,由于商店数量过多会出现信息过载等方面的问题.因此,文章提出了基于商品属性与用户聚类的淘宝服装推荐机制,从而优化商品推荐服务,让更多的消费者都能够寻找到自己喜欢的商品.     

Ontology-based personalized couple clustering for heterogeneous product recommendation in mobile marketing

Plethora of cellular phones has been increasingly driving the spread of e-commerce mechanisms running on mobile devices. For instance, mobile marketing fulfills the wireless delivery (to the devices of mobile users) of the recommended product information and even one-to-one recommendations. One-to-one recommendation not only reduces the time that customers have to expend to for attaining appropriate products, but also is a method to engender customer values and develop the long-term customer relationships. This paper presents a one-to-one recommendation mechanism that iteratively takes as inputs the audio customer messages (together with product information) and produces personalized product analogy structures (that subsequently drive the generation of personalized heterogeneous product recommendations) based on the coupled clustering algorithm. The personalized product analogy structures also evolve as the messages (of the correspondent customer) grow. We have implemented the mechanism with J2EE Web Service that has produced fairly promising evaluation results.     

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.     

基于模糊数学理论的信誉评估算法研究

针对信任评估的主观性、模糊性以及无法精确地描述和验证等问题,提出信誉评估算法.算法定义了信任度、隶属度、信任关系、关键属性以及模糊变换等基本概念和关键属性集U、代理集Y、评价集V、评价集矩阵R四个要素.根据模糊数学理论,将代理X的信任程度以及各代理对被代理的各关键属性的评估进行模糊变换,得到即将交易的代理Y的信任向量,并根据实际对原代理X的各信任值向量化,最终得到对代理X的信任值或信誉.实例表明,算法能用直观、简洁的语义定量地描述信任值,反映了实体之间信任的模糊性,解决了关于模糊性实体之间的信任建模问题,适用于电子商务、电子政务等领域.     

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。     

A cognitive approach for agent-based personalized recommendation

There is an increasing need for various e-service, e-commerce and e-business sites to provide personalized recommendations to on-line customers. This paper proposes a new type of personalized recommendation agents called fuzzy cognitive agents. Fuzzy cognitive agents are designed to give personalized suggestions based on the user’s current personal preferences, other user’s common preferences, and expert’s domain knowledge. Fuzzy cognitive agents are able to represent knowledge via extended fuzzy cognitive maps, to learn users’ preferences from most recent cases and to help customers make inferences and decisions through numeric computation instead of symbolic and logic deduction. A case study is included to illustrate how personalized recommendations are made by fuzzy cognitive agents in e-commerce sites. The case study demonstrates that the fuzzy cognitive agent is both flexible and effective in supporting e-commerce applications.     

基于耦合CNN评分预测模型的个性化商品推荐

电子商务中大量评论数据蕴含着丰富的信息,该信息有助于解决个性化推荐系统存在的数据稀疏问题.为了充分挖掘评论数据蕴含的价值,提高商品推荐的准确率,本文提出了基于耦合CNN评分预测模型的个性化商品推荐方法.该方法首先利用耦合CNN构建评分预测模型,将耦合CNN分为用户网络和商品网络,划分成输入层、卷积层、输出层和共享层;用户评论数据和商品评论数据分别从相应网络输入;在评论数据分析时,从字向量角度进行语义分析,同时改变传统的使用单一大小卷积核处理句子的模式,使用多个并行的卷积层,利用大小不同的卷积核对句子进行特征提取;两个网络的输出将共同汇聚于共享层,在共享层使用因子分解机进行评分预测;最后将结果中的高评分商品推荐给用户.经对比实验验证,本文所给方法能够提高商品推荐的准确率.     

基于关联规则和协同过滤的网络商品捆绑方法研究

随着电子商务的发展,捆绑销售这种营销策略被逐渐应用于网站之中.本文将数据挖掘技术应用于商品捆绑,经过对数据的预处理,阐述如何利用关联规则实现对商品的捆绑,再通过协同过滤技术定位捆绑商品并向目标用户进行推荐.最后建立一个商品捆绑推荐系统体系结构以体现整个方法流程.     

一种基于模糊理论的P2P电子商务信任模型

为了提高P2P电子商务交易的安全性,根据P2P电子商务的特征,提出一种基于模糊理论的信任模型。将信任化分为直接信任和推荐信任。用模糊集来刻画直接信任值,对影响信任主体的多种因素给出了详细的模糊综合评判算法。利用交易金额和交易时间来确定推荐信任的权值。实验表明该信任模型与基于概率估计的信誉评价体系算法相比,该算法误差较小,能有效防止节点的恶意行为,可以很好地应用于P2P电子商务中。     

Evolutionary intelligent agents for e-commerce: Generic preference detection with feature analysis

Product recommendation and preference tracking systems have been adopted extensively in e-commerce businesses. However, the heterogeneity of product attributes results in undesired impediment for an efficient yet personalized e-commerce product brokering. Amid the assortment of product attributes, there are some intrinsic generic attributes having significant relation to a customer’s generic preference. This paper proposes a novel approach in the detection of generic product attributes through feature analysis. The objective is to provide an insight to the understanding of customers’ generic preference. Furthermore, a genetic algorithm is used to find the suitable feature weight set, hence reducing the rate of misclassification. A prototype has been implemented and the experimental results are promising.     

在线商品的潜在语义信息提取及分类研究

在基于Web的电子商务数据挖掘过程中,如何从大量的商品交易记录中发掘出有用的信息是目前研究的主要课题,通过对目前网络交易的商品名称信息的特征进行分析,使用自定义的网页抓取工具获取在线商品交易的信息,分词处理后使用潜在语义分析方法对数据集的类别进行分析,实现了一个商品类别分类算法.从划分结果来看,该算法能较好地清除冗余信息,有效地区分不同类别的商品.