基于用戶行為的個性化推薦算法研究.pdf

1、網(wǎng)絡給人們生活帶來了極大便利，越來越多的消費者開始傾向于網(wǎng)絡購物，網(wǎng)絡購物的優(yōu)勢很多，首先，具有選擇多樣性，其次，就是操作簡單，最重要的是時間成本比較低，減少了顧客的出行時間。然而，傳統(tǒng)的電子商務平臺，也存在著一些不足，由于商品的種類過于豐富，顧客要找到自己稱心如意的商品并不是一件易事。即陷入所謂的“信息過載”問題。
　　為了對客戶有針對性地進行推薦，提高商品銷量，個性化推薦系統(tǒng)應運而生。基于用戶評分的顯式反饋的推薦算法目前得到了

2、比較廣泛的研究，而基于用戶的歷史行為數(shù)據(jù)，比如用戶停留在商品頁面的時間，瀏覽次數(shù)，加入購物車等等行為，這些都屬于隱式反饋，本文研究的主要內(nèi)容便是根據(jù)用戶的隱式反饋信息設計對客戶進行有效推薦的個性化算法。
　　本文首先介紹了一些個性化推薦系統(tǒng)中的經(jīng)典算法，包括基于內(nèi)容的推薦，協(xié)同過濾推薦以及混合推薦策略等。然后針對電子商務領域，考慮包含時間信息的用戶行為數(shù)據(jù)，主要是“點擊、收藏、加入購物車、購買”四種行為，按照時間分段統(tǒng)計出各種行為

3、發(fā)生的次數(shù)，組成時間序列，從中提取出特征，并以此作為邏輯回歸模型的輸入?yún)?shù)，得到一個概率矩陣，此時再將得到的概率矩陣作為評分，利用協(xié)同過濾的推薦策略向用戶進行商品推薦。傳統(tǒng)的協(xié)同過濾方法往往忽略了用戶或產(chǎn)品的消費時間這一因素，本文采用考慮包含時間影響的時序行為，可以使得個性化推薦的結果更加合理。
　　實驗采用的是天貓用戶某一年四個月內(nèi)的用戶行為數(shù)據(jù)，實驗表明，考慮行為序列結合協(xié)同過濾的推薦策略具有比較理想的推薦效果，同時解決了隱式