基于BP網(wǎng)絡(luò)融合的電子商務(wù)個(gè)性化推薦模型研究.pdf

1、計(jì)算機(jī)科學(xué)與互聯(lián)網(wǎng)的發(fā)展，使人們生活的方方面面發(fā)生了深刻的變革，與此同時(shí)網(wǎng)絡(luò)可用信息呈現(xiàn)出爆炸式的增長(zhǎng)，已遠(yuǎn)遠(yuǎn)超出人們所能接受的范圍，導(dǎo)致信息過(guò)載。電子商務(wù)網(wǎng)站由于物品種類(lèi)繁多、數(shù)量龐大，往往會(huì)對(duì)用戶(hù)形成信息淹沒(méi)，使用戶(hù)不能充分發(fā)掘自己喜歡的物品，導(dǎo)致商品銷(xiāo)售出現(xiàn)“80％的銷(xiāo)售額來(lái)自于20％的商品”這一現(xiàn)象。而個(gè)性化推薦正是解決這一問(wèn)題的一種有效措施。
　　本文首先對(duì)個(gè)性化推薦系統(tǒng)的架構(gòu)和工作原理作了簡(jiǎn)單描述，分析了傳統(tǒng)基于內(nèi)容的

2、推薦算法和基于內(nèi)存的鄰域推薦算法在面對(duì)用戶(hù)量巨大、商品種類(lèi)繁多的電商應(yīng)用場(chǎng)景時(shí)所表現(xiàn)出的局限性。在此基礎(chǔ)上，利用機(jī)器學(xué)習(xí)和最優(yōu)化理論，從物品的屬性出發(fā)，分析了基于奇異值分解的LFM模型，并結(jié)合用戶(hù)在電子商務(wù)網(wǎng)站購(gòu)物的具體情形，將購(gòu)物過(guò)程中不同的用戶(hù)行為對(duì)應(yīng)于不同的隱性反饋信息，并映射為不同的評(píng)分比重，從而改進(jìn)了現(xiàn)有的只考慮了單一隱反饋信息的LFM模型，降低了評(píng)分預(yù)測(cè)誤差。
　　接著，從用戶(hù)興趣群體的角度出發(fā)，將文本挖掘領(lǐng)域基于概率

3、分布的LDA模型應(yīng)用于評(píng)分預(yù)測(cè)問(wèn)題中，并取得了良好的預(yù)測(cè)效果。在上述工作基礎(chǔ)上，鑒于單一推薦模型性能的瓶頸，采用人工神經(jīng)網(wǎng)絡(luò)將LDA和改進(jìn)的LFM模型進(jìn)行融合，以此探究多模型融合對(duì)于推薦性能提升的影響。實(shí)驗(yàn)表明融合后的模型較單一模型在評(píng)分預(yù)測(cè)問(wèn)題中，能夠獲得更低的均方根誤差值。之后，本文將評(píng)分預(yù)測(cè)問(wèn)題轉(zhuǎn)化為實(shí)際的Top N推薦問(wèn)題，并通過(guò)實(shí)驗(yàn)證明，均方根誤差值的小幅度降低，卻能帶來(lái)推薦精度的顯著提高。
　　最后對(duì)全文的研究工作作了