基于主題的電子商務(wù)推薦方法研究.pdf

1、隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的發(fā)展，電子商務(wù)系統(tǒng)在為用戶提供越來(lái)越多選擇的同時(shí)，其結(jié)構(gòu)也變得更加復(fù)雜，用戶經(jīng)常會(huì)迷失在大量的商品信息空間中，無(wú)法順利找到自己需要的產(chǎn)品。電子商務(wù)推薦系統(tǒng)直接與用戶交互，模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購(gòu)買過(guò)程。在日趨激烈的競(jìng)爭(zhēng)環(huán)境下，電子商務(wù)推薦系統(tǒng)能有效保留客戶、防止用戶流失，提高電子商務(wù)系統(tǒng)的銷售。
　　然而隨著電子商務(wù)系統(tǒng)規(guī)模的進(jìn)一步擴(kuò)大，電子商務(wù)推薦也面臨

2、一系列挑戰(zhàn)，由于用戶興趣主題分類中的特征較多，因此在商品語(yǔ)料中，往往存在一些特征僅在某一些用戶主題類別中出現(xiàn)，而在其它的用戶主題中并不出現(xiàn)，即數(shù)據(jù)稀疏問(wèn)題，影響了推薦系統(tǒng)的精度；推薦方法的冷開始問(wèn)題，即如果一個(gè)新項(xiàng)目沒(méi)有人去評(píng)價(jià)它，或都不去評(píng)價(jià)它，則這個(gè)項(xiàng)目得不到推薦，推薦系統(tǒng)就失去了作用；只注重外延的推薦方法的優(yōu)化，較少考慮產(chǎn)品自身的語(yǔ)義信息等等。對(duì)此本文以用戶感興趣的信息主題來(lái)刻畫用戶的興趣特征，對(duì)電子商務(wù)推薦系統(tǒng)中主題分類技術(shù)、概

3、念相關(guān)聚類方法、語(yǔ)義信息處理方法以及推薦系統(tǒng)體系結(jié)構(gòu)等關(guān)鍵技術(shù)進(jìn)行了深入研究和探索，以提高電子商務(wù)推薦方法的性能。本文研究的主要內(nèi)容包括：
　　第一，基于主題的推薦系統(tǒng)需要分析資源內(nèi)容信息，通過(guò)比較資源是否跟用戶用戶檔案一致決定是否進(jìn)行推薦，它需要從資源中進(jìn)行特征提取。由于用戶興趣主題分類中的特征較多，因此在商品語(yǔ)料中，往往存在一些特征僅在某一些用戶主題類別中出現(xiàn)，而在其它的用戶主題中并不出現(xiàn)，進(jìn)而引發(fā)了數(shù)據(jù)稀疏問(wèn)題，嚴(yán)重影響了推

4、薦精度。對(duì)此，引入統(tǒng)計(jì)語(yǔ)言模型中Good-Turing算法直接對(duì)特征詞的條件概率平滑，采用“折扣再分配”策略對(duì)統(tǒng)計(jì)參數(shù)進(jìn)行重新估值，計(jì)算缺失特征詞的補(bǔ)償概率。此外，又將貝葉斯主題推薦中的類別與特征詞看作是Bigram語(yǔ)言模型中的二元對(duì)，并引入絕對(duì)折扣(Absolute Discount)平滑算法針對(duì)二元對(duì)進(jìn)行平滑，來(lái)克服數(shù)據(jù)稀疏問(wèn)題帶來(lái)的影響。
　　第二，由于表達(dá)方式的多樣性，即使同一商品概念如商品名稱及屬性名稱也可能有不同的表達(dá)

5、形式，不同概念也可能存在部分-整體、值-屬性等多種相關(guān)關(guān)系。而相關(guān)研究中一般采用基于外延的推薦方法，僅利用商品的外在特征等統(tǒng)計(jì)信息，使得推薦質(zhì)量受到影響。對(duì)此，以知網(wǎng)作為商品概念相關(guān)知識(shí)源，擴(kuò)展推薦中的概念空間，利用詞概念相關(guān)計(jì)算模型來(lái)計(jì)算用戶的興趣主題，并與統(tǒng)計(jì)信息進(jìn)行有效融合，以提升商品推薦對(duì)概念的敏感能力。本文以融入自組織映射網(wǎng)絡(luò)為例，對(duì)融合概念相關(guān)知識(shí)的方法作以深入探討。
　　第三，在第二部分提出融合概念知識(shí)的基礎(chǔ)之上，進(jìn)

6、一步對(duì)推薦對(duì)象的語(yǔ)義信息構(gòu)造方法進(jìn)行研究，構(gòu)建推薦概念知識(shí)庫(kù)。對(duì)領(lǐng)域術(shù)語(yǔ)候選計(jì)算及領(lǐng)域術(shù)語(yǔ)抽取，商品同義詞詞典的構(gòu)造方法以及相關(guān)詞構(gòu)造方法進(jìn)行研究。領(lǐng)域術(shù)語(yǔ)抽取用于獲取推薦系統(tǒng)原來(lái)未知的語(yǔ)義單元，新的專業(yè)術(shù)語(yǔ)等。當(dāng)新的商品、新的詞匯出現(xiàn)時(shí)，推薦系統(tǒng)應(yīng)該具備識(shí)別這些新術(shù)語(yǔ)的能力，此外本文探討基于詞矢量空間計(jì)算相似度的方法以及基于平均互信息計(jì)算相關(guān)詞，這些不僅可用于概念相關(guān)知識(shí)推薦中，還可用于用戶查詢意圖擴(kuò)展中。
　　第四，不同的用戶

7、對(duì)同樣的問(wèn)題的理解不盡相同，理解的粒度也可能不同。本文由此對(duì)用戶個(gè)人偏好的異質(zhì)性問(wèn)題研究，提出基于協(xié)同的擴(kuò)展偏聚類方法，挖掘隱藏在主題內(nèi)部的用戶偏好。提出基于協(xié)同的擴(kuò)展偏聚類方法，將用戶模型與用戶對(duì)自身信息需求(興趣愛(ài)好、信息訪問(wèn)方式及思維方式)的組織形式相關(guān)聯(lián)，以用戶個(gè)性化的主題分類體系、主題分類標(biāo)識(shí)為框架，采用協(xié)同過(guò)濾方法擴(kuò)展同類偏好數(shù)量，同時(shí)其用戶端的層次化信息組織管理，來(lái)克服以權(quán)重方式刻畫用戶興趣的模型可能導(dǎo)致的偏置現(xiàn)象。

8、>　　第五，對(duì)主題的電子商務(wù)推薦系統(tǒng)設(shè)計(jì)與相關(guān)應(yīng)用進(jìn)行研究，提出一種“通用推薦”和“個(gè)性化推薦”相結(jié)合的主題推薦系統(tǒng)框架，其綜合前幾項(xiàng)研究成果，同時(shí)由于在推薦初期采用通用推薦可克服冷開始問(wèn)題，即如果一個(gè)新項(xiàng)目沒(méi)有人去評(píng)價(jià)它，或都不去評(píng)價(jià)它，則這個(gè)項(xiàng)目肯定得不到推薦，推薦系統(tǒng)就失去了作用。系統(tǒng)利用構(gòu)建用戶興趣模型來(lái)全面、準(zhǔn)確地描述用戶的購(gòu)買意圖，對(duì)主題搜索返回的結(jié)果進(jìn)行過(guò)濾、排序與歸類，提供推薦。在論文稿件領(lǐng)域推薦的任務(wù)中，著重研究稿件的